AutoNumerics：自然言語から古典的な数値PDEソルバーを自律生成するマルチエージェント枠組み

TL;DR（結論）

• AutoNumericsは、自然言語で書かれた偏微分方程式（PDE）の問題記述を受け取り、古典的な数値解析に基づく解釈可能なソルバーを、設計から実装・デバッグ・検証まで自律的に作る枠組みです。
• 複数のLLMエージェントが、問題の構造化、複数スキーム案の立案と不適切案の除外、粗い格子での論理バグ修正と高解像度での安定性確認、解析解がない場合の残差に基づく自己検証までを段階的に連携します。
• 24個の代表的なPDE問題で、既存のニューラル系やLLM系の手法と比べて同等以上の精度を示したと報告されており、PDEの構造に応じたスキーム選択も行えることから、PDE自動解法を使いやすくする実装指向の道筋を示しています。

なぜこの問題か

PDEは、物理・工学を含む多くの科学技術計算の中心にある数理モデルです。しかし、新しいPDEに対して信頼できる数値ソルバーを作るには、離散化手法（有限差分法・有限要素法・スペクトル法など）の選択だけでなく、安定性や収束性の観点からの確認や調整が必要になります。たとえば時間発展問題では、CFL制約のような安定性条件を踏まえた刻み幅の設計が関わり、経験と数値解析の専門性が求められます。 一方で、ニューラルネットワークに基づく手法は離散化の手作業を減らす方向性を持ちますが、計算コストが大きくなりやすい点や、得られた解法の解釈可能性が限られる点が課題として述べられています。さらに、LLMは科学コード生成で力を見せつつあるものの、生成されたコードには構文エラーや論理的欠陥が混ざることがあり、高解像度格子でいきなり実行して失敗すると、時間と計算資源の浪費につながります。 加えて、解析解が存在しないPDEでは「正しさ」を確認する参照が得にくく、単にコードが動いたことと、数値的に妥当な解が得られたことは一致しません。時間方向に長いシミュレーションでは、中間状態を全て保存するとメモリが枯渇する現実的な問題も生じます。…

核心：何を提案したのか

本研究が提案するAutoNumericsは、自然言語のPDE問題記述から、数値ソルバーを自律的に設計し、実行可能なコードとして実装し、さらにデバッグと正しさの検証までをまとめて進めるマルチエージェント枠組みです。ここで強調されているのは、ブラックボックス的なニューラルソルバーを学習するのではなく、古典的な数値解析に根ざした「透明な」ソルバーを生成する点です。透明であるとは、どの離散化・時間積分・境界条件処理を採用したかが説明可能であり、数値解析の観点から点検しやすいことを指しています。 また、単に一つのコードを生成して終わるのではなく、複数の候補スキームをまず立案し、その中からPDEの性質に照らして妥当性が高いものを選ぶ過程が含まれます。…

続きはログイン/プランで閲覧できます。