科学机器学习中基于物理审计的智能体发现

引言

在智能体驱动的科学机器学习（agentic SciML）中，大语言模型（LLM）智能体能够自动发现多个替代模型（surrogate models），并通过自动评分机制（通常为误差指标）从中选择最优模型。然而，较低的训练或测试误差并不等同于所预测的物理场在物理上是正确的。

来自 arXiv 的新论文 Physics-Audited Agentic Discovery in Scientific Machine Learning（arXiv:2607.07379v1）正是针对这一问题，提出了一种在模型发现流程中嵌入物理审计的框架。

核心思想

该工作指出，在智能体完成模型搜索并依据分数选择候选模型后，需要增加一道“物理审计”环节。该审计不依赖于误差标量，而是直接检查预测场是否满足关键物理定律、守恒律或边界条件。只有当模型同时通过误差筛选和物理一致性验证时，才会被认定为可靠发现。

方法概览

论文的具体方法包括：

• 利用 LLM 智能体生成和组合候选替代模型的结构；
• 自动训练并基于测试误差进行初步评分；
• 对表现最佳的一个或多个模型执行物理审计，例如检查质量守恒、动量守恒或预设的偏微分方程残差；
• 根据审计结果决定接受、修正或拒绝该模型。

意义与影响

对于从事科学计算、物理仿真、流体力学、气候建模等领域的开发者，这项工作直接弥补了“黑盒”智能体搜索与物理可靠性之间的鸿沟。它暗示着未来的 SciML 平台需要内嵌领域知识，而不仅仅是数据驱动的损失函数。该思路也适用于更广泛的 AI Agent 系统，即在自动决策链路中引入可检验的约束，而不仅仅依赖统计信号。

BibTeX 格式引用

bibtex @misc{arxiv:2607.07379, title={Physics-Audited Agentic Discovery in Scientific Machine Learning}, author={[作者暂未从摘要中完整列出]}, year={2026}, eprint={2607.07379}, archivePrefix={arXiv}, primaryClass={[cs.LG]} }

注：完整引用信息与作者名单请查阅 arXiv:2607.07379。

BibTeX formatted citation

×