CMAME|美国西北大学，德州大学|Wing Kam Liu及 TJR Hughes 等: LLM赋能的下一代计算机辅助工程
Large language model-empowered next-generation computer-aided engineering
Jiachen Guo 1, Chanwook Park 1, Dong Qian 2, TJR Hughes 3, Wing Kam Liu 1
1. Northwestern University
2. University of Texas at Dallas,
3. University of Texas at Austin
引用格式：
Guo, J., Park, C., Qian, D., Hughes, T. J., & Liu, W. K. (2026). Large language model-empowered next-generation computer-aided engineering. Computer Methods in Applied Mechanics and Engineering, 450, 118591.
导语：
在工程仿真里，有限元方法几乎无处不在：从结构强度到热传导、再到电磁与流体，它都是“标准答案”。但很多工程师也有同一个痛点——不是不会算，而是算得太慢、改得太累：网格一细自由度就爆炸；参数一多就要做海量算例；更麻烦的是，一旦想用更快的“降阶”算法，往往需要重写求解器核心代码，门槛极高。
这篇工作提出了一条新路线：把大语言模型变成“会推导、会写代码、会做验证”的计算机辅助工程智能体，专门用来自动开发一种不依赖训练数据的降阶求解器（张量分解先验代理TAPS）。作者展示：只要给出精心准备的示例模板，大语言模型就能把“用自然语言描述的参数化偏微分方程”翻译成可运行的高效求解器，并自动完成收敛性验证。在三维电磁、三维弹性、非线性反应扩散以及超高维材料参数设计等问题上，均表现出高精度与极快速度，为“下一代计算机辅助工程”提供了可落地的技术框架。
关键词：计算机辅助工程智能体，有限元，降阶建模，无数据代理模型，张量分解，参数化偏微分方程，自动推导与自动验证
一、研究背景
很多工程优化与设计并不是只算一次，而是要反复算：
材料参数变一下，重新求解；
边界条件改一下，重新求解；
工艺参数换一下，重新求解；
网格加密到足够精细，自由度呈指数级上升。
传统有限元在单次求解上已经非常成熟，但面对大规模 + 多参数 + 多时间尺度的任务时，计算成本和人力成本会同时失控。
于是人们开始用代理模型：
数据驱动代理模型：推理快，但往往需要大量离线样本（而样本本身就很贵）。
无数据降阶方法：不需要训练数据，但通常要“侵入式”改写求解器（推导复杂、代码重构繁琐、验证成本高），导致实际工程应用受阻。
这篇工作直面最难的环节：把无数据降阶从“学术可行”变成“工程可用”，核心突破点就是——让大语言模型承担最消耗人力的推导与实现工作。
二、核心思路：计算机辅助工程智能体 + 无数据降阶求解器
作者提出的“计算机辅助工程智能体”，不是简单的“帮你调用软件按钮”，而是一个能规划—执行—自我校验的协作系统。它由四类关键要素组成：
1. 分析文件：如已有算例输入文件、模板代码、推导文档；
2. 工具：作业提交、数据提取、绘图、误差计算等可调用工具；
3. 在线资源：必要时可检索文档与知识库；
4. 上下文约束：明确它的角色、可用工具、输出格式与质量标准。
更重要的是，作者把智能体的“主战场”放在无数据降阶求解器的自动开发上而非传统的计算力学方法比如有限元方法。这里选用的降阶方法是“张量分解先验代理”：它把一个同时依赖空间、参数和时间的偏微分方程解，拆成许多“一维函数的乘积再求和”。直观理解就是：把一个很难直接表示的高维函数，拆成多个简单的一维“积木”，再把积木组合起来表示整体解。这种做法的关键优势是：
不需要离线训练数据
能显著缓解“维数灾难”；
可以在极高分辨率下仍保持较低内存与存储需求。
但它的代价也很清楚：推导过程涉及大量张量代数与矩阵装配，传统上极易出错、极难复用。作者的贡献就在于：让大语言模型通过“示例驱动的逐步推理提示”，把这些复杂步骤自动化。
三、怎么让大语言模型“少胡说、能干活”？
在工程计算这种严谨任务里，大语言模型最常见的问题是：看似合理，实则偏题。作者把这个问题称为“幻觉”，并给出针对性的解决策略：
不采用昂贵的专门训练；
而采用更经济的提示词工程：给出一个高质量“单示例模板”，并在模板里写清楚每一步推导（逐步推理），让模型学会按同样结构处理新方程。
模板示例选的是一个参数化一维瞬态热传导方程，包含：
弱形式建立；
试函数/检验函数张量分解表示；
子空间迭代线性化；
各维度刚度/质量矩阵与系数矩阵的组装格式；
最终线性系统的标准输出格式。
有了这个“可照抄的标准答案”，模型在面对三维、向量场、耦合项、甚至非线性项时，就能沿着同样路线推导，显著降低出错率。
四、结果展示：从三维电磁、三维弹性到超高维参数设计
作者用同一套智能体流程展示了多类问题：推导（约数分钟）→ 代码生成（约十分钟）→ 自动验证（自动生成解析解/误差脚本并跑收敛性）。
1）三维磁静力：高分辨率下仍可秒级求解
对于三维磁静力方程，模型不仅要处理三维拉普拉斯算子，还要处理向量势的多分量形式。结果显示：当每个方向取 1000 个网格点时，若用全阶模型相当于109自由度量级，而降阶求解器仍可在数秒级完成计算，并且随基函数阶次提高，误差可系统降低。
2）三维线弹性：包含耦合项也能自动推导
线弹性中存在典型的体积耦合项（与散度相关），这会引入不同方向之间的耦合矩阵，推导难度明显高于标量热方程。作者展示大语言模型能自动引入新的“混合矩阵”装配形式，并给出正确的子空间迭代线性系统。高分辨率情形下，等价全阶自由度达 3×109，求解仍在十秒量级。
3）非线性反应扩散：模型会“主动换招”
当方程出现非线性反应项时，作者观察到模型会主动建议用不动点迭代进行线性化，并在补充“加权质量矩阵”定义后，成功完成推导与实现。对于等价109自由度规模，非线性问题也能在几十秒内完成。
4）空间变系数扩散 + 多子域材料参数：走向超高维
最具代表性的案例是“材料扩散系数在空间上分区常值”，每个子域一个参数，参数维数高达68，这类问题对数据驱动代理模型极其不友好，因为采样空间巨大。作者展示：该无数据降阶方法不需要生成离线样本，依然能给出随阶次可控的收敛；并与商业有限元结果对比精度，同时计算时间显著降低。
五、总结与展望：下一代计算机辅助工程会是什么样？
这项工作的核心价值，不在于“用大语言模型跑一次仿真”，而在于把它变成: 能自动推导方程—能自动改写求解器—能自动做收敛验证的工程协作者。
当我们面对的大规模参数化问题越来越常见时，真正稀缺的往往不是算力，而是“能写出正确高效求解器的人力”。这套框架把无数据降阶从“专家手工活”转化为“可规模化复制的流程”，使得高精度、超快速、低内存的参数化仿真更接近工程日常。
作者也强调：目前仍需要专家提供高质量模板，并对关键输出做人工核验。未来值得期待的方向包括：
面向计算力学的专用“小型机理语言模型”，提升推导速度与可靠性；
更自动化地估计张量分解模态数等关键超参数；
将该智能体扩展到更多降阶方法与更多工业级方程体系。
公众号原文链接（文末附论文资源）：
CMAME|美国西北大学，德州大学|Wing Kam Liu及 TJR Hughes 等: LLM赋能的下一代计算机辅助工程
注：文章由原作者投稿分享，向本公众号授权发布。