一
背景
近年来，大语言模型（LLMs）在自然语言处理（NLP）领域取得了显著进展，展现出强大的文本理解与生成能力。以GPT-4o和Llama 3为代表的先进模型，已在文本生成、翻译、对话系统等多个任务中表现出色。随着技术的发展，LLMs在工业自动化、智能辅助决策等专业领域的应用潜力逐渐显现。例如，LLMs可用于设备维护预测、供应链优化、质量控制等工业场景，显著提升生产效率与精度。
然而，LLMs在处理复杂专业任务时仍面临“AI幻觉”（AI Hallucination）问题，即模型生成看似合理但实际错误的内容。在工程仿真等高风险领域中，此类错误可能导致严重的设计缺陷、结构失效甚至安全事故。因此，如何提升LLMs在专业任务中的准确性与可靠性，成为当前研究的重要课题。
有限元分析（FEA）作为工程仿真中广泛使用的数值方法，能够精确模拟结构力学、热传导、流体动力学等物理现象。传统FEA软件（如CalculiX、Abaqus）操作复杂，需用户具备专业知识，限制了其普及与应用效率。若能通过LLMs自动生成FEA输入文件，将大幅降低使用门槛，提升仿真效率。然而，直接使用LLMs生成FEA代码仍面临收敛性、多物理场耦合等技术挑战，亟需系统性的方法支持。
AutoFEA的整体框架
二
方法
为解决上述问题，本研究提出AutoFEA系统，通过融合LLMs与FEA仿真，实现FEA输入文件的自动生成。系统核心包括以下四个模块：
1. 数据集构建
研究团队从CalculiX官方测试案例中筛选出512个FEA项目，涵盖多种仿真场景。每个项目包含简要描述与详细的.inp输入文件。为进一步提升数据质量，使用GPT-4o为每个项目生成详细步骤描述，并人工审核确保准确性。最终数据集包含4,792个仿真步骤，平均每个项目9.36步，为训练与评估提供了坚实基础。
2. 分步规划（Step-by-Step Planning）
为解决FEA任务复杂度高、依赖性强的问题，AutoFEA采用分步规划策略，将复杂仿真任务分解为多个子步骤。每个步骤对应一个代码块（如节点定义、材料属性、边界条件等），并配有详细描述。在测试阶段，系统通过余弦相似度检索训练集中最相似的案例及其分步计划，作为few-shot示例引导LLM生成新任务的步骤计划。
3. GCN-Transformer链接预测检索
为捕捉步骤间的依赖关系，AutoFEA提出基于图神经网络（GNN）与Transformer的链接预测模型。构建步骤图（Steps Graph），节点为仿真步骤，边表示步骤间共享关键词（如ELASTIC、DENSITY）。模型结合GCN捕获图结构信息，Transformer处理序列依赖，通过注意力机制动态扩展路径，逐步生成与上下文一致的代码。
4. 集成与仿真
基于最优路径生成完整代码后，系统再次调用LLM对代码进行审查与修正，确保符合用户需求。最终代码提交至CalculiX执行仿真，仿真结果反馈至LLM，用于验证输出准确性，进一步减少AI幻觉
三
结论
1. 实验设置
实验环境为Intel i9-12900K CPU、NVIDIA RTX A6000 GPU、64GB内存，使用Ubuntu 20.04与Python 3.10.12。主要LLM为GPT-4o，嵌入模型为text-embedding-3-small。
2. 性能对比
通过五组实验对比不同方法的仿真成功率：
直接生成：仅凭描述生成代码，成功率最低。
检索增强生成：结合检索到的代码生成，略有提升。
规划生成：基于分步计划生成代码，效果显著。
检索增强规划：结合检索与规划，进一步提升。
AutoFEA（本文方法）：综合分步规划与GCN-Transformer检索，成功率高达90.2%，显著优于其他方法。
3. 消融实验
替换不同LLM（如GPT-4o-mini、Gemini、Llama 3）测试AutoFEA的鲁棒性。结果表明，尽管性能有所波动，AutoFEA在所有模型上均优于基线方法，展现出良好的适应性与稳定性。
4. 案例研究
以悬臂梁受力分析为例，GPT-4o直接生成的结果未考虑塑性变形，导致位移计算错误（0.0975单位）。通过AutoFEA集成FEA仿真后，系统正确输出位移值（0.8738单位），验证了物理一致性，显著降低了AI幻觉风险。
四
展望
AutoFEA系统成功展示了LLMs与专业仿真工具结合的潜力，为AI在工程领域的应用提供了新范式。未来工作可从以下几个方向展开：
1. 多模态扩展：引入图像、CAD模型等多模态输入，进一步提升系统对复杂工程问题的理解与生成能力。
2. 动态反馈机制：建立实时仿真-反馈循环，使LLM能在仿真过程中动态调整代码，提升自适应能力。
3. 跨领域推广：将AutoFEA框架拓展至计算流体动力学（CFD）、电磁仿真等领域，构建通用AI辅助仿真平台。
4. 模型轻量化：优化GCN-Transformer结构，降低计算成本，提升系统在资源受限环境中的适用性。
5. 人机协同优化：引入更多人类专家反馈机制，形成“人在回路”的混合智能系统，进一步提升可靠性与可信度。
结语
AutoFEA通过融合LLMs、图神经网络与FEA仿真，有效解决了AI在复杂工程任务中的幻觉问题，显著提升了仿真代码的生成准确性与可靠性。该系统不仅降低了FEA的使用门槛，也为LLMs在专业领域的可靠应用提供了重要参考，推动了AI辅助工程仿真向更智能、更可靠的方向发展。
公司简介
上海复蓝医疗科技有限公司（Fulan Medical Technology），公司创始团队来自复旦大学生物医学工程研究所。专注于利用先进的计算机建模仿真与人工智能技术，提供心脑血管疾病的辅助诊断、外科及介入手术的计算机模拟及分析、血管植介入器械安全性与有效性评价等解决方案。
平台介绍
① 主动脉及大血管疾病介入治疗数智化仿真平台
② 脑血管疾病介入治疗数智化计算机手术模拟及分析平台
③ 心脏瓣膜外科和介入置换计算机手术模拟及分析平台
④ 患者特异性数字孪生心脏
产品审评有限元分析报告
人工心脏瓣膜：外科生物瓣、外科高分子瓣、介入生物瓣、介入高分子瓣、二尖瓣三尖瓣夹合器、封堵器等
支架：颅内动脉瘤介入栓塞装置、密网支架、覆膜支架、取栓支架、可降解支架等
有源：植入式心脏辅助装置、心脏起搏器、TCAR、DBS、PFA、RFA、PNS等
其他：肿瘤、消化等其他外科介入器械
计算机手术模拟及分析
颅内动脉瘤手术规划及CFD仿真（栓塞辅助支架、密网支架、颅内扰流装置、弹簧圈）
主动脉瓣膜狭窄手术规划及CFD仿真
主动脉单纯反流手术规划及CFD仿真（瓣环测量、瓣架选择、瓣膜植入）
开窗技术与平行技术治疗主动脉弓动脉瘤的手术规划及CFD仿真
覆膜支架治疗主动脉夹层的手术规划及CFD仿真（直筒型、分叉型、开窗型、内漏风险分析）
TEER、TCAR、RFA、PFA计算机手术模拟及分析
合作请联系
联系人
复/蓝/医/疗
数智心脑丨创健未来