LLM-Assisted Generation of Transparent, Open-Source Multiphysics Models of Electrochemical Devices
作者: Sebastian Castro, Maya F. Schuchert, Spencer A. McCluskey, Eric W. Lees, Justin C. Bui
分类: physics.chem-ph, cs.AI, physics.comp-ph
发布日期: 2026-10-07
备注: 25 pages, 6 figures, Supplementary Information and implementation guide provided as ancillary files
💡 一句话要点
提出LLM辅助生成透明开源多物理场模型以解决电化学设备建模问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 电化学设备 多物理场建模 大型语言模型 开源软件 模型生成 透明性 数值方法
📋 核心要点
- 现有的多物理场模型构建方法依赖于专业知识或专有软件，限制了研究者的灵活性和透明度。
- 本文提出利用大型语言模型代理，自动生成电化学设备的多物理场模型，简化建模过程。
- 实验结果表明，生成的模型与传统COMSOL实现高度一致，且具有良好的可重复性和调试能力。
📝 摘要（中文）
多物理场连续模型是研究电化学设备的重要工具，能够进行反应器设计并解析影响设备性能的局部pH、潜力和浓度场。然而，构建这些模型需要丰富的数值专业知识或依赖专有软件。本文展示了前沿的大型语言模型代理如何在保持物理控制的同时，消除这一实施负担。以一维电化学CO2还原为测试案例，开发了一个机器可读的人类指定建模框架，包含控制方程、参数、数值方法、逻辑构建阶段和可验证的检查点。代理能够从该规范中可重复地构建完整的开源Julia多物理场模型，且独立构建的模型与COMSOL实现的峰值CO部分电流密度相差不超过0.7%，彼此间相差不超过0.04%。系统性植入的错误展示了明确规范对可重复性的必要性，并揭示了代理在调试模型物理方面的能力和局限性。
🔬 方法详解
问题定义：本文旨在解决电化学设备多物理场模型构建中的实施复杂性和对专有软件的依赖。现有方法往往需要深厚的数值分析背景，导致研究者难以灵活调整模型。
核心思路：通过利用大型语言模型代理，研究者可以以人类可理解的方式指定模型的物理描述和控制方程，从而自动生成开源模型，降低了建模门槛。
技术框架：整体架构包括以下主要模块：人类指定的建模框架（包含控制方程和参数）、大型语言模型代理（负责模型生成）、以及可验证的检查点（确保模型的准确性和可重复性）。
关键创新：最重要的创新在于将大型语言模型应用于物理建模领域，使得物理描述和方程成为主要输入，而非依赖于复杂的代码。这种方法提高了模型构建的透明度和可控性。
关键设计：在模型生成过程中，设置了明确的参数和逻辑构建阶段，确保生成的模型能够准确反映物理现象。同时，设计了人类可验证的检查点，以便于调试和验证模型的物理一致性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用LLM生成的模型与COMSOL实现的峰值CO部分电流密度相差不超过0.7%，而不同模型间的差异仅为0.04%。这些结果表明，所提出的方法在模型生成的准确性和可重复性方面具有显著优势。
🎯 应用场景
该研究的潜在应用领域包括电化学设备的设计与优化，如燃料电池和电解槽等。通过提供透明且易于使用的建模工具，研究者可以更快速地进行实验设计和性能评估，推动电化学领域的研究进展。未来，该方法可能扩展到其他多物理场问题的建模中，促进跨学科的研究合作。
📄 摘要（原文）
Multiphysics continuum models are powerful tools for studying electrochemical devices, enabling in silico reactor design and resolution of local pH, potential, and concentration fields that govern device performance but are difficult to measure experimentally. However, constructing such models requires substantial numerical expertise or reliance on proprietary software. Here, we show that frontier large language model agents can remove this implementation burden while keeping the underlying physics under researcher control. Using one-dimensional electrochemical CO2 reduction to CO in a porous gas diffusion electrode as a test case, we develop a machine-readable, human-specified modeling harness containing governing equations, parameters, numerical methods, logical build stages, and human-verifiable checkpoints. From this specification, the agent reproducibly constructs complete multiphysics models in open-source Julia. Independently built models, including fully autonomous agent-built models, agree with an equivalent COMSOL implementation to within 0.7% of the peak CO partial current density, and with one another to within 0.04%. Systematically planted errors demonstrate the importance of explicit specifications for reproducibility and reveal the agent's capabilities and limitations in debugging model physics. This framework establishes a more transparent approach to multiphysics modeling in which physical descriptions and governing equations, rather than specialized code, become the primary inputs for computational model development.