AutoMOOSE : l'IA aux fourneaux des nouveaux matériaux express
Créer un nouveau matériau, comme un alliage résistant, exige des milliers d'expériences numériques. D'habitude, le scientifique écrit les instructions à la main et cherche les erreurs. AutoMOOSE, c'est une cuisine robotisée : vous dites « je veux un métal léger et solide », et cinq programmes-chefs composent eux-mêmes la recette, lancent la synthèse et ajustent si quelque chose ne va pas.
Lors du test sur la croissance des grains de cuivre, AutoMOOSE a montré une précision presque égale à celle d'un expert, et il a corrigé trois erreurs typiques sans intervention humaine. La croissance des grains est régie par l'entropie et détermine la résistance. L'approche est universelle : des composites à base de carbone aux semi-conducteurs, en s'appuyant sur le modèle standard de la microstructure.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2603.20986
Multiphysics simulation frameworks such as MOOSE provide rigorous engines for phase-field materials modeling, yet adoption is constrained by the expertise required to construct valid input files, coordinate parameter sweeps, diagnose failures, and extract quantitative results. We introduce AutoMOOSE, an open-source agentic framework that orchestrates the full simulation lifecycle from a single natural-language prompt. AutoMOOSE deploys a five-agent pipeline in which the Input Writer coordinates six sub-agents and the Reviewer autonomously corrects runtime failures without user intervention. A modular plugin architecture enables new phase-field formulations without modifying the core framework, and a Model Context Protocol (MCP) server exposes the workflow as ten structured tools for interoperability with any MCP-compatible client. Validated on a four-temperature copper grain growth benchmark, AutoMOOSE generates MOOSE input files with 6 of 12 structural blocks matching a human expert reference exactly and 4 functionally equivalent, executes all runs in parallel with a 1.8x speedup, and performs an end-to-end physical consistency check spanning intent, finite-element execution, and Arrhenius kinetics with no human verification. Grain coarsening kinetics are recovered with R^2 = 0.90-0.95 at T >= 600 K; the recovered activation energy Q_fit = 0.296 eV is consistent with a human-written reference (Q_fit = 0.267 eV) under identical parameters. Three runtime failure classes were diagnosed and resolved autonomously within a single correction cycle, and every run produces a provenance record satisfying FAIR data principles. These results show that the gap between knowing the physics and executing a validated simulation campaign can be bridged by a lightweight multi-agent orchestration layer, providing a pathway toward AI-driven materials discovery and self-driving laboratories.
Les cinq agents d'IA d'AutoMOOSE fonctionnent comme une brigade de cuisine bien rodée : l'un écrit la recette, le deuxième vérifie les ingrédients, le troisième cuisine, le quatrième goûte, et le cinquième veille à ce que tout suive le plan. Et tout ce qu'on demande à l'utilisateur, c'est quelques phrases en langage courant.