Physics simulation capabilities of LLMs

要約

[要約］大規模言語モデル（LLM）は、学部レベルから大学院レベルの物理学の教科書の問題を解くことができ、コーディングにも精通している。この2つの能力を組み合わせることで、いつの日かAIシステムが物理世界をシミュレートし予測できるようになるかもしれない。 我々は、博士レベルから研究レベルの計算物理学の問題に対する最先端の（SOTA）LLMの評価を発表する。物理学と天体物理学の領域におけるコーディング能力を引き出すために、よく文書化され広く使われているパッケージの使用をLLM生成の条件とする。天体力学(REBOUNDを使用)、恒星物理学(MESAを使用)、1次元流体力学(Dedalusを使用)、非線形力学(SciPyを使用)において、$sim 50$の独創的で挑戦的な問題を提供している。我々の問題は一意解を認めないため、LLMのパフォーマンスをいくつかのソフトなメトリクスで評価しました：異なるタイプのエラー（コーディング、物理、必要性、十分性）を含む行のカウントと、手元の問題の顕著な物理的要素を捉えることに焦点を当てた、より「教育的な」合否メトリクスです。 予想通り、今日のSOTA LLM（GPT4）のゼロショットはほとんどの問題で不合格でした。約70～90%$のコード行が必要十分かつ正しい（コーディング＆物理）。物理とコーディングのミスが最も多く、不要な行や不十分な行もある。問題クラスや難易度によって大きなばらつきが見られる。計算物理領域における GPT4 のいくつかの失敗モードが確認された。 我々の偵察作業は、古典物理学における現在の計算能力のスナップショットを提供し、AIシステムが物理シミュレーション能力において基本的な自律性レベルに到達することがあるならば、明らかな改善目標を指し示す。

要約(オリジナル)

[Abridged abstract] Large Language Models (LLMs) can solve some undergraduate-level to graduate-level physics textbook problems and are proficient at coding. Combining these two capabilities could one day enable AI systems to simulate and predict the physical world. We present an evaluation of state-of-the-art (SOTA) LLMs on PhD-level to research-level computational physics problems. We condition LLM generation on the use of well-documented and widely-used packages to elicit coding capabilities in the physics and astrophysics domains. We contribute $\sim 50$ original and challenging problems in celestial mechanics (with REBOUND), stellar physics (with MESA), 1D fluid dynamics (with Dedalus) and non-linear dynamics (with SciPy). Since our problems do not admit unique solutions, we evaluate LLM performance on several soft metrics: counts of lines that contain different types of errors (coding, physics, necessity and sufficiency) as well as a more ‘educational’ Pass-Fail metric focused on capturing the salient physical ingredients of the problem at hand. As expected, today’s SOTA LLM (GPT4) zero-shot fails most of our problems, although about 40\% of the solutions could plausibly get a passing grade. About $70-90 \%$ of the code lines produced are necessary, sufficient and correct (coding \& physics). Physics and coding errors are the most common, with some unnecessary or insufficient lines. We observe significant variations across problem class and difficulty. We identify several failure modes of GPT4 in the computational physics domain. Our reconnaissance work provides a snapshot of current computational capabilities in classical physics and points to obvious improvement targets if AI systems are ever to reach a basic level of autonomy in physics simulation capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL