标签
该论文评估了大语言模型智能体能否可靠地构建完整、可执行的 JSON 规范，用于自动化设置偏微分方程（PDE）仿真（几何建模、网格划分、求解、导出）。结果表明，包含科学性检查和澄清环节的完整工作流程可使规范生成的正确率达到 98.3%，而借助模式（schema）辅助的单次生成基线和仅使用模型的基线正确率分别为 92.5% 和 82.5%。
本文提出HERO（历史增强展开训练），一种通过模型自身优化历史的相对监督来增强自回归神经算子的标准轨迹监督的方法，提高了PDE基准上的长时程精度和稳定性。
提出将半群一致性作为评估学习型物理模拟器的诊断指标，展示了在使用ConvNet和FNO基线的热力学和伯格斯动力学中，归一化半群误差与展开退化相关。