LLM für Verbrennungssimulation: Vollständige Domänenoptimierung und Benchmark

In der Welt der großen Sprachmodelle (LLMs) eröffnet die gezielte Anpassung an Fachgebiete enormes Potenzial. Für die komplexe Physik der Verbrennungssimulation stoßen jedoch generische Modelle häufig an ihre Grenzen: Sie erzeugen stark halluzinierende Ausgaben, weil ihnen das nötige Fachwissen und die Fähigkeit fehlen, physikalische Erhaltungsgesetze zu berücksichtigen.

Um diesem Problem entgegenzuwirken, hat ein Forschungsteam einen komplett neuen, domänenorientierten LLM-Workflow entwickelt, der speziell auf die Verbrennungssimulation zugeschnitten ist. Der Ansatz kombiniert automatisierte Korpus-Erstellung, schrittweises Vortraining, präzises Instruction‑Fine‑Tuning und belohnungsbasiertes Reinforcement Learning, das auf überprüfbaren Kriterien basiert. Dadurch lernt das Modell nicht nur statistische Textmuster, sondern internalisiert tatsächlich die zugrunde liegenden physikalischen Gesetze.

Ein weiteres Highlight ist die Veröffentlichung von FlameBench, einem standardisierten Benchmark, der komplexe Denkaufgaben in der Verbrennungssimulation abbildet. FlameBench ermöglicht es, die Leistungsfähigkeit von Modellen in realen, forschungsrelevanten Szenarien objektiv zu vergleichen.

Die experimentellen Ergebnisse sind beeindruckend: Das neu entwickelte Modell übertrifft sowohl führende, proprietäre LLMs als auch klassische Retrieval‑Augmented‑Generation‑Methoden bei allen getesteten Aufgaben der Verbrennungssimulation. Damit wird ein solides technisches Fundament gelegt, auf dem künftig spezialisierte wissenschaftliche Forschungsagenten mit verlässlicher, wissenschaftlicher Argumentationsfähigkeit aufgebaut werden können.