Editorial Ilmu Komputer & AI
Open AccessOA2026
Large Language Models untuk Mengotomatiskan Computational Fluid Dynamics (CFD): Dari Pemodelan Prediktif dan Optimasi hingga Penjadwalan Eksekusi
Tinjauan sistematis penerapan LLM dalam CFD, mencakup pemodelan prediktif, optimasi, dan penjadwalan eksekusi otomatis, beserta tantangan utama dan arah masa depan.
Pei-Zhong Ma; G. Gai; Jian-kang Li; Zheng-Hong Luo; Li-Tao Zhuยท Smart Chemical Engineeringยท 2026ยท DOI 10.53941/sce.2026.100003
Masalah inti
Computational fluid dynamics (CFD) merupakan landasan rekayasa modern dan penelitian ilmiah, yang memungkinkan simulasi aliran fluida dalam beragam aplikasi mulai dari kedirgantaraan hingga pemrosesan kimia. Namun, alur kerja CFD tradisional sangat intensif secara komputasi dan memerlukan keahlian manusia yang signifikan untuk tugas seperti pembuatan mesh, konfigurasi solver, dan pascapemrosesan. Kemajuan terkini dalam kecerdasan artifisial (AI), khususnya large language models (LLM), menawarkan peluang baru untuk mengotomatiskan dan meningkatkan proses CFD. Tinjauan ini secara sistematis menelaah integrasi LLM ke dalam CFD, dengan fokus pada tiga area utama: pemodelan prediktif, optimasi, dan penjadwalan eksekusi otomatis. Dengan memanfaatkan kemampuan pemahaman dan generasi bahasa alami dari LLM, para peneliti bertujuan mengurangi intervensi manual, mempercepat simulasi, dan meningkatkan aksesibilitas. Para penulis juga membahas batasan pendekatan saat ini, seperti kredibilitas fisik dan penerapan rekayasa yang belum memadai, serta mengusulkan arah masa depan untuk mengatasi tantangan tersebut. Hubungan saling melengkapi antara kecerdasan manusia dan AI (HI-AI) ditekankan sebagai
Inovasi
Tinjauan ini mengungkap kemajuan signifikan dalam penerapan LLM untuk CFD di ketiga area yang diidentifikasi. Dalam pemodelan prediktif, LLM telah digunakan untuk menghasilkan distribusi medan aliran secara real-time dan untuk menemukan model turbulensi dari data direct numerical simulation (DNS). Sebagai contoh, model k-ฮต telah ditingkatkan dengan mengodekan hukum fisika secara implisit melalui pembelajaran berbasis LLM. Dalam optimasi, LLM memfasilitasi penyetelan parameter model numerik, hyperparameter model machine learning (misalnya learning rate, optimizer, jumlah neuron), struktur geometris (misalnya optimasi topologi peralatan), dan parameter operasi proses (misalnya kecepatan inlet, tekanan, suhu). Penjadwalan eksekusi otomatis telah memungkinkan otomatisasi end-to-end, termasuk pembuatan geometri otomatis, konfigurasi kondisi batas, meshing, dan pemanggilan solver. Meskipun ada kemajuan ini, tinjauan mencatat kelemahan yang masih ada: LLM sering kali kurang memiliki kredibilitas fisik, dan penerapan rekayasa mereka terbatas oleh kelangkaan data serta isu interpretabilitas. Metrik kinerja dari studi yang disurvei menunjukkan bahwa meskipun LLM dapat mengurangi waktu simula
Computational fluid dynamics (CFD) merupakan landasan rekayasa modern dan penelitian ilmiah, yang memungkinkan simulasi aliran fluida dalam beragam aplikasi mulai dari kedirgantaraan hingga pemrosesan kimia. Namun, alur kerja CFD tradisional sangat intensif secara komputasi dan memerlukan keahlian manusia yang signifikan untuk tugas seperti pembuatan mesh, konfigurasi solver, dan pascapemrosesan. Kemajuan terkini dalam kecerdasan artifisial (AI), khususnya large language models (LLM), menawarkan peluang baru untuk mengotomatiskan dan meningkatkan proses CFD. Tinjauan ini secara sistematis menelaah integrasi LLM ke dalam CFD, dengan fokus pada tiga area utama: pemodelan prediktif, optimasi, dan penjadwalan eksekusi otomatis. Dengan memanfaatkan kemampuan pemahaman dan generasi bahasa alami dari LLM, para peneliti bertujuan mengurangi intervensi manual, mempercepat simulasi, dan meningkatkan aksesibilitas. Para penulis juga membahas batasan pendekatan saat ini, seperti kredibilitas fisik dan penerapan rekayasa yang belum memadai, serta mengusulkan arah masa depan untuk mengatasi tantangan tersebut. Hubungan saling melengkapi antara kecerdasan manusia dan AI (HI-AI) ditekankan sebagai jalur menuju solusi CFD yang lebih efektif.
Tinjauan ini mengadopsi pendekatan sistematis untuk menyurvei literatur terkini tentang penerapan LLM dalam CFD. Para penulis mengategorikan karya yang ada ke dalam tiga domain utama: (1) pemodelan prediktif, (2) optimasi, dan (3) penjadwalan eksekusi otomatis. Untuk setiap domain, mereka menganalisis metode yang digunakan, jenis LLM yang dipakai (misalnya GPT, BERT, dan model khusus domain), serta strategi integrasi dengan alat CFD tradisional. Tinjauan ini juga mengevaluasi kinerja pendekatan tersebut dari segi akurasi, efisiensi, dan generalisasi. Tantangan utama diidentifikasi melalui penilaian kritis terhadap studi saat ini, termasuk isu terkait ketersediaan data, interpretabilitas model, dan konsistensi fisik. Para penulis menyintesis temuan untuk mengusulkan peta jalan bagi penelitian masa depan, dengan menekankan kebutuhan akan pendekatan hibrida yang menggabungkan LLM dengan simulasi berbasis fisika. Metodologi ini mencakup pemeriksaan rinci studi kasus, seperti penggunaan LLM untuk penemuan model turbulensi dan optimasi hyperparameter, untuk menggambarkan implementasi dan hasil praktis.
Mengapa penting
Analisis ini menyoroti hubungan saling melengkapi antara kecerdasan manusia dan AI (HI-AI) sebagai hal yang esensial untuk memajukan CFD. LLM unggul dalam pengenalan pola dan tugas bahasa alami tetapi kesulitan dalam menegakkan hukum fisika dan memastikan stabilitas numerik. Oleh karena itu, kerangka hibrida yang mengintegrasikan LLM dengan solver tradisional dan physics-informed neural networks (PINNs) menjanjikan. Para penulis mengusulkan tiga arah masa depan: (1) mengurangi kesulitan memperoleh data domain melalui transfer learning dan pembangkitan data sintetis, (2) terus memperbarui model domain untuk memasukkan wawasan fisik baru, dan (3) meningkatkan interpretabilitas model melalui teknik explainable AI. Selain itu, tinjauan ini menekankan kebutuhan akan tolok ukur terstandar untuk mengevaluasi kinerja LLM dalam tugas CFD. Potensi LLM untuk mendemokratisasi CFD dengan menurunkan hambatan masuk bagi non-ahli diakui, tetapi kehati-hatian dianjurkan terkait ketergantungan berlebihan pada model black-box. Pembahasan ini menyimpulkan bahwa meskipun LLM belum siap sepenuhnya menggantikan keahlian manusia, LLM dapat secara signifikan memperkuat alur kerja CFD bila digunakan dengan tepat.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten memberโฆ