PhyNiKCE: Neuromoduliertes Agenten-Framework revolutioniert autonome CFD

Ein neues Forschungsprojekt namens PhyNiKCE (Physical and Numerical Knowledgeable Context Engineering) präsentiert ein neuromoduliertes Agenten-Framework, das die Grenzen autonomer Computational Fluid Dynamics (CFD)-Simulationen sprengt. Durch die Trennung von neuronaler Planung und symbolischer Validierung gelingt es PhyNiKCE, die strengen physikalischen Gesetze und die numerische Stabilität, die für realistische CFD-Ergebnisse unerlässlich sind, zuverlässig einzuhalten.

Traditionelle Large Language Models (LLMs) stoßen bei der Erstellung von CFD-Setups an ihre Grenzen, weil sie häufig kontextuelle Fehler („context poisoning“) erzeugen: Sie liefern sprachlich plausibel, aber physikalisch inkorrekte Konfigurationen. PhyNiKCE begegnet diesem Problem, indem es einen Symbolic Knowledge Engine nutzt, der Simulationen als Constraint Satisfaction Problem behandelt. Durch einen deterministischen Retrieval-Augmented-Generation (RAG) Engine werden gezielt Informationen zu Solver, Turbulenzmodellen und Randbedingungen abgerufen, sodass die physikalischen Constraints strikt durchgesetzt werden.

In umfangreichen OpenFOAM-Experimenten, die reale, nicht-tutorialbasierte CFD-Aufgaben abdecken, wurde PhyNiKCE mit dem Gemini-2.5-Pro/Flash Modell getestet. Die Ergebnisse sind beeindruckend: Im Vergleich zu aktuellen Baselines erzielte PhyNiKCE eine relative Verbesserung von 96 %. Gleichzeitig wurden die selbstkorrigierenden Schleifen autonomer Agenten um 59 % reduziert, während der Tokenverbrauch der LLMs um 17 % sank.

Diese Fortschritte zeigen, dass die Trennung von neuronaler Generierung und symbolischer Constraint‑Durchsetzung ein vielversprechender Ansatz ist, um vertrauenswürdige, effiziente und physikalisch korrekte CFD-Modelle zu entwickeln. PhyNiKCE setzt damit neue Maßstäbe für die autonome Simulation in der Ingenieurwissenschaft.