Fine-tuning a Large Language Model for Automating Computational Fluid Dynamics Simulations

要約

計算液ダイナミクス（CFD）シミュレーションの構成には、通常、広範なドメインの専門知識が必要であり、より広範なアクセスが制限されます。
大規模な言語モデル（LLM）には高度な科学的コンピューティングがありますが、CFDワークフローの自動化における使用は未発達です。
ドメイン固有のLLM適応を中心とした新しいアプローチを紹介します。
NL2FOAMのQWEN2.5-7B-Instructを微調整することにより、28716の自然言語からオープンフォームの構成ペアのカスタムデータセット（COT）の注釈を備えたカスタムデータセットは、自然言語の説明から実行可能なCFDセットアップへの直接翻訳を可能にします。
マルチエージェントフレームワークは、プロセスを調整し、入力を自律的に検証し、構成を生成し、シミュレーションを実行し、エラーを修正します。
21の多様なフローケースのベンチマークでの評価は、最先端のパフォーマンスを示しており、88.7％のソリューション精度と82.6％の第1概用成功率を達成しています。
これは、QWEN2.5-72B-Instruct、DeepSeek-R1、LlAMA3.3-70B-Instructなどのより大きな汎用モデルを大幅に上回り、補正の反復が少なく、高い計算効率を維持する必要があります。
結果は、複雑なエンジニアリングワークフローのためにLLMアシスタントを展開する際のドメイン固有の適応の重要な役割を強調しています。
私たちのコードと微調整されたモデルは、https：//github.com/yygroup/autocfdに預けられています。

要約(オリジナル)

Configuring computational fluid dynamics (CFD) simulations typically demands extensive domain expertise, limiting broader access. Although large language models (LLMs) have advanced scientific computing, their use in automating CFD workflows is underdeveloped. We introduce a novel approach centered on domain-specific LLM adaptation. By fine-tuning Qwen2.5-7B-Instruct on NL2FOAM, our custom dataset of 28716 natural language-to-OpenFOAM configuration pairs with chain-of-thought (CoT) annotations, we enable direct translation from natural language descriptions to executable CFD setups. A multi-agent framework orchestrates the process, autonomously verifying inputs, generating configurations, running simulations, and correcting errors. Evaluation on a benchmark of 21 diverse flow cases demonstrates state-of-the-art performance, achieving 88.7% solution accuracy and 82.6% first-attempt success rate. This significantly outperforms larger general-purpose models like Qwen2.5-72B-Instruct, DeepSeek-R1, and Llama3.3-70B-Instruct, while also requiring fewer correction iterations and maintaining high computational efficiency. The results highlight the critical role of domain-specific adaptation in deploying LLM assistants for complex engineering workflows. Our code and fine-tuned model have been deposited at https://github.com/YYgroup/AutoCFD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google