パラメータ化されたシミュレーションのための潜在基盤モデル（LFM）を用いたPDE空間のエージェント的探索

arXiv cs.AI / 2026/4/14

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、複数のエージェントLLMと潜在基盤モデル（LFM）を結合したエージェント的枠組みを提案し、連続的で高次元なパラメータ空間にわたって、PDE（偏微分方程式）によって支配される物理システムを効率的に探索することを可能にする。
LFMはパラメータ化されたシミュレーション上で生成的サロゲートとして学習され、コンパクトで分離（disentangled）された潜在表現を生成する。これにより、エージェントは任意のPDEの境界条件／パラメータ構成を低コストで問い合わせることができる。
仮説→実験→分析→検証という階層的なクローズドループを用いて、ツールのモジュール化されたインターフェースを活用しつつ、人手による介入を要さずに探索を自動化する。
Re=500におけるタンデム円柱まわりの流れに適用したところ、本システムは1,600のパラメータ位置ペアを自律的に評価し、近流域（near-wake）での共渦放出（co-shedding）遷移付近における二重極値構造を伴って、レジーム依存のスケーリング則を見出した。
著者らは、学習された物理表現とエージェント的推論の結合が、PDEに支配される現象における自動化された科学的発見のための一般的なパラダイムになると論じている。