NVIDIA beschreibt eine agentische KI-Architektur, die manuelle, zeitintensive Arbeitsabläufe in der Subsurface-Simulation in kontinuierliche, rechnergestützte 24/7-Workflows überführen soll. Ausgangspunkt sind zwei Engpässe: der hohe manuelle Aufwand beim Zusammenführen technischer Informationen und die operative Latenz durch asynchron laufende Simulationsjobs, deren Ergebnisse außerhalb der Arbeitszeiten oft ungenutzt liegen bleiben.
Der vorgestellte Ansatz setzt auf einen zentralen Orchestrierungsagenten und spezialisierte Agenten für Simulator-Interaktion und Workflow-Management. Ein Reservoir-Simulationsassistent fungiert dabei als digitale Fachexpertise zwischen Ingenieur, technischer Dokumentation und Simulator. Er ist als Ergänzung zu bestehenden Modellierungsumgebungen konzipiert und soll administrative Teile des Simulationszyklus übernehmen, ohne etablierte Werkzeuge zu ersetzen.
Als Beispiele nennt NVIDIA die direkte Interaktion mit Simulationsdecks per Chat, schnelle Beantwortung von Rückfragen zu Parametern wie dem Skin-Faktor eines Bohrlochs sowie eine beschleunigte Analyse von Auffälligkeiten wie frühem Wasserdurchbruch. Hinzu kommen What-if-Iterationen, bei denen der Agent Keyword-Änderungen, Baseline-Vergleiche und die Behebung von Eingabe- oder Konvergenzproblemen übernimmt; optional bleibt dabei ein Human-in-the-loop erhalten.
Für umfangreichere Studien wie History Matching und Field Development Optimization erweitert NVIDIA das Einzelagenten-Modell zu einer Multi-Agenten-Gruppe. Diese soll den Ablauf eines spezialisierten Reservoir-Engineering-Teams nachbilden und Optimierungsjobs autonom ausführen und überwachen. Sobald ein Simulationszyklus abgeschlossen ist, werden Ergebnisse zusammengeführt, neue Parameter vorgeschlagen und der nächste Lauf gestartet, um Leerlauf zwischen den Iterationen zu vermeiden.
Trotz des hohen Automatisierungsgrads bleibt die Aufsicht laut NVIDIA bei den Ingenieuren. Im Human-in-the-loop-Modell prüfen und genehmigen sie von Agenten vorgeschlagene Pläne, bevor Workflows mit hunderten Simulationsjobs gestartet werden. Die Agenten arbeiten über Tool Calls mit gängiger Simulations- und Orchestrierungssoftware und ersetzen nicht die physikalischen Modelle, sondern die manuellen, repetitiven Arbeitsschritte. Die Architektur ist modular ausgelegt und von der jeweiligen Physics Engine entkoppelt; im gezeigten Aufbau kommen OPM Flow und hausinterner Python-Code zum Einsatz, die sich laut NVIDIA aber auch durch kommerzielle Simulatoren oder proprietäre Codebasen ersetzen lassen.
Zur Demonstration wurde die Multi-Agenten-Gruppe auf eine Well-Placement-Optimierung mit dem Brugge-Benchmark-Modell angewendet. Ziel war die Maximierung des Net Present Value durch die Optimierung der Positionen von 30 Bohrlöchern. Ein Proposer-Agent schlägt Optimierungsstrategien wie Genetic Algorithms oder Particle Swarm Optimization mit bestimmten Hyperparametern vor, während ein Critic-Agent diese in einer Debate Loop weiter verfeinert. Weitere Agenten passen Tuning-Parameter anhand von Leistungsmetriken und Fachwissen dynamisch an, überwachen als Job Manager die Stabilität laufender Jobs und übersetzen als Result Analyst hochdimensionale Rohdaten in handlungsrelevante Erkenntnisse.
Nach Darstellung von NVIDIA änderte sich die Strategie der Agenten im Verlauf der Iterationen. Zu Beginn setzten sie auf breite Exploration mit großen Populationen und hohen Mutationsraten, um den Lösungsraum unter einem festen Budget breit abzutasten. Später verlagerte sich der Fokus auf evolutionäre Tiefe, etwa durch einen Wechsel von sampling-orientierten GA-Varianten zu PSO-inspirierten Konfigurationen, um zu prüfen, ob die Leistung eher durch das anfängliche Sampling oder durch die Generationstiefe begrenzt war.
Die Inferenzschicht basiert auf NVIDIA Inference Microservices (NIM). Für komplexes Reasoning, Planung und mehrstufige agentische Workflows nennt NVIDIA Llama-3.3-Nemotron-Super-49B-v1.5. Retrieval-augmented generation wird mit Llama-3.2-NeMo-Retriever-300M-Embed-v2 umgesetzt, damit Antworten auf proprietärer technischer Dokumentation und Simulationshandbüchern basieren. Über ChatNVIDIA als LangChain-kompatible Schnittstelle wird die Orchestrierung in LangChain- und LangGraph-Frameworks eingebunden, einschließlich strukturierter Function Calls für Simulator-APIs, Datenbankabfragen und benutzerdefinierte Tools bei gleichzeitigem Zustandsmanagement über mehrstufige Workflows hinweg.
Für die Bereitstellung beschreibt NVIDIA einen Übergang von schnellem Prototyping über build.nvidia.com-APIs zu selbst gehosteten LLM-Deployments per einfacher Konfigurationsänderung. Damit soll auch eine lokale Ausführung mit vollständiger Datenhoheit möglich sein.
Der gezeigte Aufbau ist laut NVIDIA nicht auf Reservoir-Simulationen beschränkt, sondern generell für komplexe, iterative Simulations-Workflows ausgelegt. Als mögliche angrenzende Einsatzfelder nennt das Unternehmen geologische CO2-Speicherung und Geothermie. Zusätzlich verweist NVIDIA auf ein Open-Source-Repository auf GitHub, über das sich der End-to-End-Multi-Agenten-Workflow nachvollziehen und an eigene Anwendungsfälle anpassen lässt.
