同样的CO₂还原制CO的电化学反应模型，大模型写的开源代码，和COMSOL专业软件的结果差不到0.7%的峰值部分电流密度。
测试场景与可复现性
这次的测试选得很具体：一维电化学CO₂还原成CO的过程，用的是多孔气体扩散电极。整个建模框架是机器能读、人能改的——里面既有控制方程、参数、数值方法，也有分步搭建的逻辑，还有人能核对的验证节点。他们让大模型基于这个框架生成完整模型，不管是完全自主产出的模型，还是另一个独立生成的模型，和COMSOL的结果都差得很小：前者和COMSOL的峰值部分电流密度误差不到0.7%，两个自主生成的模型之间误差仅0.04%。
解决了行业的老门槛
之前做这种多物理连续体模型，门槛卡得死：要么你有极强的数值编程能力，能自己写出精准的方程和代码；要么得靠COMSOL这类专有软件，花大价钱买授权，还得跟着软件规则走，根本改不了底层的物理逻辑。这次用前沿大模型智能体，能把代码实现的负担降下来，还能让研究者掌控底层物理逻辑——相当于把“写代码的苦”让大模型扛了，研究者专心管“物理对不对”这事儿。
暴露的能力边界
他们还特意在模型里加了人为植入的错误，测试大模型的调试能力。结果发现，明确的规格说明是可复现的关键，同时也能看出大模型的局限：它能处理不少代码层面的问题，但涉及物理逻辑的bug，有时候还是会掉链子。这不是说大模型万能，它只是帮人填了代码的坑，但物理层面的对错，还得人把好关。
实在的变化
这个框架最核心的改变是，以后计算模型的核心输入，从“写好专业代码”变成“说清物理描述和控制方程”。多物理建模的透明度也会提升——不用再盯着专有软件的黑盒，猜结果怎么来的。而且因为用的是开源Julia语言，研究者能随便改、随便用，不用被软件授权卡脖子。
这套方法目前只在电化学CO₂还原的小场景里跑通了，接下来会不会有电池、燃料电池这类更复杂的电化学体系，也能靠大模型快速搭出靠谱的开源多物理模型？
素材来源：arXiv (LLM/多模态新论文) · AI情报、大模型、AI智能体、开源生态
查看报道原文
发表第一条评论吧