让AI替你搭Simulink模型？SimuAgent来了

论文解读 | 用大模型自动化Simulink/Simscape建模

---

你是否想象过：给AI一段文字描述，它就能帮你把整个物理系统模型搭好？

这不是科幻——来自上交、上汽、商汤的研究者已经把它变成了现实。

---

一句话总结

SimuAgent 是首个能够自动化完成 Simulink/Simscape 物理系统建模 的 AI Agent，在 2000 个测试任务上全面超越 GPT-4o。

---

🔬 研究背景：为什么需要自动化建模？

在工程领域，Simulink/Simscape 是用于多物理域系统仿真的核心工具。但模型创建过程极其繁琐：

• 需要从数百个专业模块库中挑选组件
• 要正确连接不同物理域的端口
• 需要设置海量参数

传统方式下，一个复杂的电池热管理模型可能需要工程师花 数小时甚至数天 才能完成。

痛点即机会——研究者提出了一个灵魂拷问：

能否让大模型理解物理系统描述，自动完成建模？

---

🎯 核心贡献

1. SimuAgent：会「建模」的AI Agent

SimuAgent 采用工具增强的 LLM 架构，支持三大核心能力：

能力	功能描述
🔍 search_blocks	从 Simscape 库中搜索目标模块
📖 read_blocks	读取现有模型的组件和参数
✏️ write_blocks	添加新模块、设置参数、建立连接

2. SimuBench：2000题评测基准

首个覆盖多物理域的 Simscape 建模评测集：

• Creation：根据描述创建新模型
• Modification：修改现有模型
• QA：回答模型相关技术问题

3. ReGRPO：适应性反思强化学习

训练方法的核心创新——让 Agent 学会在遇到错误时停下来思考：

标准 GRPO：直接生成 → 评估 → 反馈
ReGRPO：    生成 → 反思 → 调整 → 再生成 → 评估

---

💡 技术亮点

Python 字典：Agent的「建模语言」

SimuAgent 不直接生成 MATLAB 代码，而是使用 Python 抽象：

sys_dict = {
    "Blocks": {
        "DC Machine": {"Type": "DC Machine"},
        "Converter": {"Type": "Three-Level NPC Converter"}
    },
    "Connections": [
        {"Src": "DC Machine/1", "Dst": "Converter/1"},
        {"Src": "Converter/2", "Dst": "DC Load/1"}
    ]
}

这种结构化表示让 Agent 更容易规划复杂系统的组件和连接关系。

两阶段课程学习

Stage 1: 单模块添加（≤12个模块）
    ↓
Stage 2: 完整系统构建（>12个模块）

从简单任务逐步过渡到复杂系统，降低学习难度。

---

📊 实验结果

全面超越 GPT-4o

模型	Creation	Modification	QA	平均
GPT-4o	23.0%	42.8%	56.5%	41.9%
SimuAgent	30.1%	55.1%	64.1%	51.9%
提升	+7.1%	+12.3%	+7.6%	+10%

消融实验：哪些组件最关键？

组件	影响
适应性反思	-3.05%（去掉后下降最多）
两阶段课程	-7.51%
格式奖励	-5.67%

结论：适应性反思机制是 SimuAgent 的「灵魂」——让它学会了在错误后停下来重新思考。

---

🔍 失败分析：Agent还在哪些地方「翻车」？

失败类型	占比	根因
拓扑/连接错误	33.9%	物理域端口规则复杂
模块选择错误	28.5%	库层级深、命名相似
参数遗漏	17.7%	大字典条目易忽略
过早终止	12.5%	自我评估不足
上下文超限	7.3%	大型系统超出窗口

启示：复杂多物理域建模仍是LLM的短板，尤其是跨域约束（如能量守恒）和深层库导航。

---

📝 案例对比：SimuAgent vs GPT-4o

任务：在燃料电池冷却系统中添加温度传感器

GPT-4o 的尝试：

add_block('simscape/Foundation/Temperature Sensors/Temperature Sensor', ...)

❌ 报错：找不到这个路径

SimuAgent 的做法：

1. 先用 search_blocks 查询正确的库路径
2. 发现正确路径是 fl_lib/Thermal/Thermal Sensors/Temperature Sensor
3. 正确连接 Thermal Port 和 PS-Simulink Converter
4. ✅ 成功执行

---

🚀 意义与展望

现实价值：

• 工程研发周期大幅缩短
• 让非Simulink专家也能快速建模
• 为数字孪生、MBSE工作流注入AI能力

局限性：

• 超大系统（>12模块）仍具挑战
• 跨物理域约束（如能量守恒）理解不足
• 上下文窗口限制复杂场景

未来方向：

• 引入物理先验知识增强
• 扩展到更多物理域（流体、光学等）
• 结合代码执行验证闭环

---

📚 论文信息

• 标题：SimuAgent: Automating Simscape Modeling with LLM-based Agent
• 机构：上海交通大学、上汽集团、商汤科技
• arXiv：2601.05187

---

如果你觉得这篇解读有帮助，欢迎转发给做汽车仿真、控制系统开发的朋友们！