AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents

이 논문은 CFD(전산유체역학) 시뮬레이션이 정상 종료해도 물리적으로 맞는 결과인지 알기 어려운 문제를, 렌더링한 유동장 그림을 VLM(그림을 읽는 언어 모델)이 검사하는 gate를 넣은 AI scientist로 풀었다.

이 논문은 한마디로 연구 주제에서 OpenFOAM(공개 CFD solver) 시뮬레이션, C++ 모델 수정, LaTeX 원고까지 잇는 공개 CFD용 AI scientist다. 형상 오류나 빠진 유동 특징은 solver log가 깨끗해도 유동장 그림에서만 보이기 때문에, 결과를 받아들이거나 원고에 쓰기 전에 VLM이 렌더링된 그림을 검사한다. GPT-5.5로 돌린 다섯 과제 가운데 open-ended 과제에서 시스템은 하부 벽 마찰계수의 DNS(난류를 직접 푼 고해상도 시뮬레이션) 대비 RMSE(평균 제곱근 오차)를 7.89% 줄인 Spalart-Allmaras 난류 모델 보정을 스스로 찾았다. 실패를 일부러 심은 case 16개 가운데 14개를 VLM gate가 잡았다.

핵심 요약

• 문제: LLM agent는 머신러닝, 화학, 생물 연구에서 발견 loop의 상당 부분을 자동화했지만, 고충실도 물리 시뮬레이터에서는 solver가 정상 종료해도 물리적으로 맞는 결과라는 보장이 없다. 형상이 틀리거나 주요 유동 특징이 빠진 실패는 solver log가 깨끗해도 유동장 그림에서만 드러난다.
• 입력과 출력: 자연어 연구 주제와, 선택적으로 기본 OpenFOAM case와 참조 데이터를 받는다. 출력은 study JSON, 실행된 OpenFOAM case, 직접 컴파일한 case 전용 C++ 모델 library, 진단 그림, case 간 분석, LaTeX 원고다. 이 논문은 이 흐름 전체를 구현하고 다섯 과제로 시험한 시스템 논문이다.
• 방법: 고정 solver 안의 parameter sweep, 새 물리 모델을 위한 case 전용 C++ library 컴파일, 참조 비교 점수로 가설을 고쳐 가는 open-ended 탐색이라는 세 경로가 Foam-Agent를 거쳐 OpenFOAM에서 실행된다. 결과를 받아들이거나 다시 실행하거나 원고에 쓰기 전에 VLM이 렌더링된 유동장 그림을 보고 물리적으로 맞는지 판정한다. mesh-independence gate는 기준 mesh와 벽 근처 약 10%, 내부 약 5%를 더 촘촘히 한 mesh를 비교해, 차이가 5%를 넘는 값을 더 엄밀한 수렴 검사로 넘긴다.
• 구현: 저자들은 LangGraph로 checkpoint를 남기는 workflow와 다른 orchestrator에서 다시 쓸 수 있는 skill 기반 버전을 만들었고, 모든 실험을 GPT-5.5(Codex) 하나로 실행했다. 다섯 실험에 든 LLM 호출은 2,765회, 비용은 43.75달러였다. 공식 저장소 README는 deepagents 기반 대화형 CLI, LangGraph orchestrator, 마크다운 SKILL이라는 세 실행 방식과 실행 완료를 확인하는 stage-gate audit script를 설명하고, 저장소 맨 위에는 src, scripts, prompts, skills, cfd-skills 폴더가 있다.
• 결과: periodic hill 유동(Reynolds 수 5600) 과제에서 44번 반복해 찾은 Spalart-Allmaras runtime 보정은 하부 벽 마찰계수(Cf)의 DNS 대비 RMSE를 0.004297에서 0.003958로 7.89% 줄였다. 실패를 일부러 심은 case 16개에서 VLM gate는 14개를 잡았고, 놓친 2개는 모두 수렴 전에 끊은 run이었다. 같은 GPT-5.5로 네 표준 과제(T1에서 T4)를 비교했을 때 ARIS와 DeepScientist는 T1과 T2에서 mesh나 참조 데이터 근거 없이 난류 모델 순위나 Reynolds 수별 진동수 상관식을 보고했고, AI CFD Scientist는 근거가 모자란 값을 미해결로 남겼다.
• 한계: 모든 수치는 GPT-5.5 하나로 얻었고, 다른 LLM과 추가 baseline 비교는 비용 때문에 미뤘다. 자동 CFD 논문 채점 기준이 없어 프레임워크 비교는 전문가가 산출물을 직접 읽어 매겼고, 저자들은 이 시스템을 사람이 감독하는 연구 보조로 규정했다. open-ended 과제(T5)에서 찾은 모델은 검증 case 6개의 벽 전단응력 추출이 실패해 후보 모델로 분류됐고, 다른 Reynolds 수와 형상으로의 전이는 시험하지 않았다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.