约束式自然语言界面：让LLM安全辅助有限元仿真，而非替代工程师

研究提出约束式架构，将LLM限制在前端解析任务（如自然语言转结构化JSON、生成Gmsh网格代码），数值求解核心由人工编写的确定性模板处理，在保持自然语言交互便利的同时确保仿真可靠性。该架构旨在平衡LLM的便利性与工程仿真的高可靠性需求，避免无约束AI生成带来的风险。

有限元分析（FEA）是现代工程设计的基石，但设置仿真需理解数学表述、编写复杂代码等，耗时易出错。LLM看似能解决此问题，但工程仿真处于关键路径（如飞机部件、医疗器械验证），LLM生成代码的bug可能导致灾难性后果，形成可靠性悖论。

约束式架构核心是明确LLM与确定性组件的职责：

• LLM负责前端任务：解析自然语言为JSON规格、生成Gmsh网格代码、重试修正错误；
• 确定性组件负责关键路径：FEniCS求解器模板（5个多物理场景模板，经专家验证）、弱形式推导、数值求解核心；
• 确定性调度器根据JSON参数选择配置模板，确保输入输出一致。

求解器层验证

• 简单光滑问题：亚百分之一精度；
• 困难非线性问题：2-5%精度；

前端层验证

• 15提示解析基准：首次成功率60%，重试后100%，问题类别识别100%，字段提取97.1%；
• 10案例自定义几何基准：首次及最终成功率90%，1例几何无效无法恢复。

用户输入："分析一个带圆角和螺栓孔的3D L型支架的弹塑性行为" 系统输出：

• 识别问题类型：3D弹塑性分析；
• 生成Gmsh几何代码；
• 配置弹塑性材料参数；
• 设置边界条件；
• 调用FEniCS求解器；
• 输出应力分布和塑性区结果。全程无需用户写代码，底层求解代码来自验证模板。

• 约束优于自由：关键领域无约束AI生成危险，限制LLM范围确保可靠性；
• 人机协作而非替代：LLM处理繁琐转换，工程师专注问题定义与结果解释；
• 渐进式自动化：建立可验证的自动化层次，每一层有明确验证机制；
• 可测量性：每个组件有量化性能指标，重视验证与测量。

局限

• 模板覆盖范围有限（仅5个物理场景）；
• 极端复杂几何（如CAD工业零件）需额外处理；
• 部分情况（如几何无效）无法自动恢复；
• 用户需学习如何描述问题；

未来方向

• 扩展模板库至更多物理场景；
• 集成CAD导入与几何修复；
• 开发交互式问题澄清机制；
• 建立用户反馈驱动的改进循环。

行业启示

• 关键路径任务混合架构更可靠；
• 约束是优势（提高可预测性）；
• 验证需分层进行；
• 渐进式部署优于大爆炸；

结语

约束式界面展示了LLM在高风险领域的安全应用，平衡便利与可靠性。其贡献是"measured architecture"而非无限制自主代码生成，为AI工程应用提供参考范式：明确分工、约束边界、分层验证、渐进扩展。