Vibe-FDTR: An agent-oriented framework for reproducible frequency-domain thermoreflectance data analysis

📄 arXiv: 2607.28200v1 📥 PDF

作者: Fuwei Yang, Weiheng Li, Bai Song

分类: physics.app-ph, cond-mat.mtrl-sci, cs.AI

发布日期: 2026-07-30

💡 一句话要点

提出Vibe-FDTR框架以解决频域热反射数据分析的复杂性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 频域热反射 数据分析 大型语言模型 自动化 热计量 代理技能 微纳尺度

📋 核心要点

  1. 现有的频域热反射数据分析方法复杂，依赖于领域专业知识，且容易受到人为错误的影响。
  2. Vibe-FDTR框架通过结合配置驱动的FDTR代码包和程序性代理技能，实现了从自然语言请求到可验证分析步骤的自动化转换。
  3. 实验结果显示，Vibe-FDTR在合成和真实数据任务中成功率分别达到100%和98.9%，并显著降低了计算成本和执行时间。

📝 摘要（中文）

频域热反射（FDTR）是一种广泛应用于微纳尺度热性质测量的激光泵浦-探测技术，但其数据分析过程复杂，需大量领域专业知识，且易受人为错误影响。本文提出的Vibe-FDTR框架使大型语言模型（LLM）代理能够直接根据自然语言请求执行可靠且可重复的FDTR分析。该框架结合了一个配置驱动的FDTR代码包和程序性代理技能，将用户意图转化为有组织且可验证的分析步骤。通过对合成单步任务和基于金涂层石墨样本的真实数据多步任务的评估，Vibe-FDTR在两个层次上分别实现了100%和98.9%的成功率，显著优于去除技能后的表现。Vibe-FDTR还将计算成本降低了87.7%，执行时间减少超过60%。

🔬 方法详解

问题定义：本文旨在解决频域热反射（FDTR）数据分析过程中的复杂性和人为错误问题。现有方法需要大量领域知识，导致分析效率低下且易出错。

核心思路：Vibe-FDTR框架的核心思想是利用大型语言模型（LLM）代理，将用户的自然语言请求转化为系统可执行的分析步骤，从而简化分析过程并提高可靠性。

技术框架：该框架包括两个主要模块：配置驱动的FDTR代码包，确保物理和参数一致性；程序性代理技能，负责将用户意图转化为有序的分析步骤。

关键创新：Vibe-FDTR的创新在于将领域代码和专家知识封装为代理技能，提供了一种低门槛、自动化且可信的热计量方法，与传统方法相比，显著降低了对领域知识的依赖。

关键设计：框架中的关键设计包括配置驱动的代码包，确保分析过程中的物理一致性；代理技能的设计，使得用户请求能够被有效解析和执行。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在实验中，Vibe-FDTR在合成单步任务中实现了100%的成功率，在真实数据的多步任务中成功率达到98.9%。相比去除代理技能的Code-agent，Vibe-FDTR的计算成本降低了87.7%，执行时间减少超过60%。

🎯 应用场景

Vibe-FDTR框架具有广泛的应用潜力，特别是在微纳尺度热性质测量领域。其自动化分析能力能够降低对专业知识的依赖，使得更多研究人员能够进行高效的热计量分析，推动相关领域的研究进展。

📄 摘要（原文）

Frequency-domain thermoreflectance (FDTR) is a laser pump-probe technique widely used to measure thermal properties at the micro- and nanoscale; however, it relies on a complex data analysis procedure that demands substantial domain expertise and is susceptible to subtle human errors. Here, we present Vibe-FDTR, an agent-oriented framework that enables large language model (LLM) agents to perform reliable and reproducible FDTR analyses directly from natural language requests. This framework couples a configuration-driven FDTR code package, which enforces physical and parametric consistency, with procedural agent skills that translate user intentions into organized and verifiable analysis steps. We evaluate Vibe-FDTR using a controlled benchmark with two levels: synthetic single-step tasks and real-data multi-step tasks based on measurements of gold-coated graphite samples. Across the two levels, agents using Vibe-FDTR achieve success rates of 100% and 98.9%, respectively. In sharp contrast, ablating skills (Code-agent) reduces performance to 91.4% and 36.7%, which drops further to 38.6% and 0% when the domain package is also omitted (Agent-only). Beyond success rate, Vibe-FDTR also reduces computational cost by 87.7% relative to the Code-agent variant and cuts execution time by more than 60%. Finally, an optional expert mode supports experimental planning via autonomous sensitivity and uncertainty evaluations, and formulates physically grounded recommendations for underspecified tasks. These results demonstrate that encapsulating domain code and expert knowledge into agent skills offers a promising route toward low-barrier, autonomous, and trustworthy thermal metrology.