OMNIFLOW: Multimodaler Agent für physikbasierte wissenschaftliche Logik

Große Sprachmodelle (LLMs) haben beeindruckende logische Fähigkeiten gezeigt, stoßen jedoch häufig an ihre Grenzen, wenn es um die kontinuierlichen, spatiotemporalen Dynamiken von partiellen Differentialgleichungen (PDEs) geht. Diese Schwäche führt oft zu nicht-physikalischen Halluzinationen, die die Zuverlässigkeit wissenschaftlicher Vorhersagen gefährden.

OMNIFLOW ist eine neuro-symbolische Architektur, die LLMs ohne domänenspezifische Feinabstimmung in fundamentale physikalische Gesetze einbettet. Durch den neu eingeführten Mechanismus der semantisch-symbolischen Ausrichtung werden hochdimensionale Fluss‑Tensoren in topologische sprachliche Beschreibungen übersetzt, sodass das Modell physikalische Strukturen erkennt, anstatt rohe Pixelwerte zu verarbeiten.

Ein weiteres Highlight ist die physik-gesteuerte Chain-of-Thought (PG‑CoT) Arbeitsablauf‑Pipeline. Sie steuert das Denken des Modells durch dynamische Einbettung von physikalischen Einschränkungen – etwa der Massenerhaltung – und wiederholte reflexive Überprüfungen, um Konsistenz sicherzustellen.

In umfangreichen Benchmarks, die mikroskopische Turbulenz, theoretische Navier‑Stokes‑Gleichungen und globale Wettervorhersagen abdecken, übertrifft OMNIFLOW traditionelle Deep‑Learning‑Baselines deutlich. Besonders hervorzuheben ist die Fähigkeit, in Zero‑Shot‑ und Few‑Shot‑Szenarien zu generalisieren und gleichzeitig transparente, physikalisch konsistente Begründungen zu liefern. Damit markiert OMNIFLOW einen Paradigmenwechsel von schwarzen Boxen hin zu nachvollziehbarer wissenschaftlicher Entscheidungsfindung.