今回の研究では、大規模言語モデル（LLM）エージェントを使い、過去のクラウド物理方程式をコード化し、機械学習ベースの閉塞モデルを再実装し、さらに新たな閉塞式を提案できるかを検証した。まず、暖かい雨の衝突凝集をテストケースに設定し、文献から得られた4つの代表的な二瞬間式をJAXコードに翻訳した。これにより、エージェントは自動微分や質量保存を保証できるコードを生成できた。

次に、エージェントを3つのワークフローでテストした。1）専門家が指示しながら逐次改良するヒト＋エージェント方式、2）単一ショットでエージェントを呼び出す方式、3）自動フィードバックを用いた反復呼び出し式。専門家が関与した場合、エージェントはほぼすべての構造テスト（質量保存・安定性）に合格した。一方、無人実験ではLLMのモデルによって性能が大きく変動し、特にクリピトレーニングタスクでクレオ・モデルが優秀だった。

実験結果の中で特に注目すべきは、各クラシックパラメータ化を参照データ（McSnow高精度スーパーエンジン）に対して再調整したことで、学習済み閉塞式と同等かそれ以上の精度を保ちながら、浮動小数点演算量を最大80％削減できたという点である。図2（誤差対計算コストの関係）は、再調整された物理式が学習ベースの閉塞式に比べて低コストで同等の雨生成タイミングを実現したことを示している。