MyCrunchGPT: A chatGPT assisted framework for scientific machine learning

要約

科学的機械学習 (SciML) は、計算科学および計算工学のさまざまな分野で最近進歩しています。
目的は、複雑で計算負荷の高いデータ同化スキームを採用することなく、データと物理学をシームレスに統合することです。
ただし、前処理、問題の定式化、コード生成、後処理、分析には依然として時間がかかるため、SciML が産業アプリケーションやデジタル ツイン フレームワークに広く適用できない可能性があります。
ここでは、ChatGPT の傘下で SciML のさまざまな段階を統合し、ユーザーによる簡単なプロンプトに基づいて SciML のワークフロー全体を調整する指揮者の役割を果たす MyCrunchGPT を定式化します。
具体的には、検証段階に重点を置き、空気力学における翼の最適化と対話モードでのさまざまな形状の流れ場取得における MyCrunchGPT の潜在的な使用法を示す 2 つの例を示します。
MyCrunchGPT のフローをデモンストレーションし、より広範なビジョンを促進できるインフラストラクチャを作成するために、包括的な概要レポートのオプションを含む、Web アプリベースのガイド付きユーザー インターフェイスを構築しました。
全体的な目的は、MyCrunchGPT を拡張して、計算力学、設計、最適化と制御、および SciML に関連する一般的な科学計算タスクにおけるさまざまな問題を処理できるようにすることで、研究補助ツールとしてだけでなく教育ツールとしても使用できるようにすることです。
ここでの例は流体力学に焦点を当てていますが、将来のバージョンでは固体力学、材料科学、地球物理学、システム生物学、生物情報学を対象とする予定です。

要約(オリジナル)

Scientific Machine Learning (SciML) has advanced recently across many different areas in computational science and engineering. The objective is to integrate data and physics seamlessly without the need of employing elaborate and computationally taxing data assimilation schemes. However, preprocessing, problem formulation, code generation, postprocessing and analysis are still time consuming and may prevent SciML from wide applicability in industrial applications and in digital twin frameworks. Here, we integrate the various stages of SciML under the umbrella of ChatGPT, to formulate MyCrunchGPT, which plays the role of a conductor orchestrating the entire workflow of SciML based on simple prompts by the user. Specifically, we present two examples that demonstrate the potential use of MyCrunchGPT in optimizing airfoils in aerodynamics, and in obtaining flow fields in various geometries in interactive mode, with emphasis on the validation stage. To demonstrate the flow of the MyCrunchGPT, and create an infrastructure that can facilitate a broader vision, we built a webapp based guided user interface, that includes options for a comprehensive summary report. The overall objective is to extend MyCrunchGPT to handle diverse problems in computational mechanics, design, optimization and controls, and general scientific computing tasks involved in SciML, hence using it as a research assistant tool but also as an educational tool. While here the examples focus in fluid mechanics, future versions will target solid mechanics and materials science, geophysics, systems biology and bioinformatics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google