AUTOSURROGATE：基于大语言模型的多智能体系统，自动化构建地下流模拟深度学习代理模型

1. 项目概述与核心价值

如果你是一名地质工程师或计算物理学家，每天的工作都离不开对地下流体（比如二氧化碳封存、油气开采、地热开发）进行高保真数值模拟，那你一定对动辄数小时甚至数天的单次仿真计算时间感到头疼。更不用说在进行不确定性量化、历史拟合或生产优化时，需要成百上千次这样的模拟，计算成本直接成了项目推进的拦路虎。深度学习代理模型的出现，就像给这个行业装上了一台“仿真加速器”。它的核心思想很直观：与其每次都调用那个庞杂、昂贵的物理仿真器，不如训练一个深度神经网络，让它学会从输入参数（比如渗透率场）直接预测输出结果（比如压力场和饱和度场）。一旦训练完成，这个代理模型能在毫秒级给出预测，速度提升可达几个数量级。

然而，理想很丰满，现实却很骨感。构建一个在精度、效率和稳定性上都过关的代理模型，远不是调个现成的神经网络那么简单。它涉及一整套繁琐且高度专业化的流程：数据来了，你得先判断怎么预处理——压力值动辄几百个大气压，要不要归一化？饱和度范围是0到1，又该怎么处理？接着是模型架构选择，是选擅长捕捉空间结构的U-Net，还是能处理时空序列的ConvLSTM，或是基于频谱方法的FNO？每个选择背后都需要对物理问题本质和模型归纳偏好的深刻理解。这还没完，选定架构后，还有学习率、网络宽度、批量大小等一大堆超参数等着你去调优，这个过程充满了试错，极其依赖经验。更让人崩溃的是，训练过程本身也极其脆弱，梯度爆炸、损失震荡、收敛失败等问题层出不穷，需要工程师像“消防员”一样随时待命，手动调试。

AUTOSURROGATE 正是为了解决这一系列痛点而生的。它不是一个简单的自动化工具，而是一个由大语言模型驱动的、具备“思考”和“协作”能力的多智能体系统。你可以把它想象成一个由四位各司其职的专家组成的虚拟团队：一位数据分析师、一位架构顾问、一位训练优化师和一位项目报告员。你只需要把仿真数据丢给它，甚至用一句简单的自然语言（比如“为我的二氧化碳封存数据构建一个高精度的压力场代理模型”）下达指令，这个团队就能自动运转起来，协同完成从数据剖析到模型交付的全流程，并且在遇到训练失败时，还能自主诊断并采取纠正措施。它的目标很明确：将领域科学家从繁琐的机器学习工程中解放出来，让他们能专注于物理问题本身，同时获得不亚于甚至优于专家手动调优的模型质量。

2. AUTOSURROGATE框架的顶层设计思路

2.1 为什么是多智能体，而非单一模型？

传统的自动化机器学习工具，比如Hyperopt或Optuna，其核心是一个“黑盒”优化器。它们将模型架构和超参数视为一个巨大的组合空间，然后通过随机搜索、贝叶斯优化等算法进行盲目的探索。这种方法对于图像分类这类相对规整的问题可能有效，但对于地下流模拟这种强物理约束、高维时空数据的复杂问题，其效率非常低下。因为它完全忽略了问题的物理语义——它不知道压力场是平滑的椭圆型问题，而饱和度场是存在尖锐前缘的双曲型问题，这两种特性对模型架构的要求截然不同。

AUTOSURROGATE的设计哲学是“分而治之”与“专业分工”。它将整个代理模型构建流程分解为一系列逻辑上连贯的子任务，并为每个子任务配备一个专门的智能体。每个智能体都由一个大语言模型驱动，负责高层次的推理和决策，而所有具体的计算操作（如数据加载、模型训练、指标计算）则由预定义好的、确定性的工具函数执行。这种“LLM负责思考，工具负责执行”的架构，既发挥了LLM在理解任务、进行语义推理方面的优势，又避免了LLM在直接进行数值计算时可能产生的不精确性。

2.2 核心工作流程与智能体协作机制

整个框架的工作流是顺序且闭环的，如图2所示，四个智能体通过一个共享的“全局黑板”（共享内存上下文）进行协作和信息传递。

1. 数据剖析智能体：这是流程的起点。它像一位细心的数据管理员，自动扫描你提供的数据目录，解析NPY或H5文件，计算出关键的数据档案。这份档案不仅包括张量的形状（例如，输入是80x80x20的渗透率场，输出是31个时间步、同样分辨率的压力和饱和度场）、训练/验证/测试集的划分，更重要的是，它用物理语言描述了任务：“这是一个从静态三维渗透率场到31个时间步压力/饱和度场的映射问题，共有700个训练样本”。此外，它还根据物理常识决定预处理策略：压力值除以10^5转换到巴（bar）量级后进行Z-score标准化；饱和度值则保持原始的[0, 1]范围，以保留前缘的物理意义。所有这些信息都会被结构化地写入共享内存，供后续智能体查阅。

2. 模型选择智能体：这位是“架构顾问”。它读取数据档案，并查询一个预定义的模型动物园。这个动物园里存放着8种针对时空数据设计的神经网络架构，如3D U-Net、3D ResUNet、FNO、ConvLSTM等。关键不在于数量，而在于每个架构都附带一段自然语言描述，说明其归纳偏好（例如，“U-Net擅长多尺度空间特征提取”、“ConvLSTM能显式建模时间依赖”）。智能体基于数据档案中的物理语义（“任务涉及时间演化”、“饱和度场有尖锐前缘”）进行推理，为压力和饱和度预测分别初选出最合适的架构。例如，它可能为平滑的压力场选择