摘要
针对昂贵科学模拟缺乏可解释性的问题，本文提出 GWAgent，一种基于大语言模型的工作流，旨在直接从模拟数据构建可解释的分析替代模型。该方法利用代理式工作流特性，在每次迭代中对候选模型进行定量验证。以偏心双黑洞合并引力波波形为例，引入物理信息域假设显著提升了精度。所得替代模型在保持高保真度的同时实现了约 8.4 倍加速，优于符号回归等传统基线，并成功应用于天文参数推断。
AI 推荐理由
论文核心是构建基于 LLM 的代理工作流，利用其工具使用和迭代验证技能来发现可解释模型。
研究机构
Kavli Institute for Theoretical Physics, University of California Santa Barbara, Kohn Hall, Lagoon Rd, Santa Barbara, CA 93106, USA
Center for Gravitational Physics, University of Texas at Austin, Austin, TX 78712, USA
Department of Physics, University of California at Santa Barbara, Santa Barbara, CA 93106, USA
International Centre for Theoretical Sciences, Tata Institute of Fundamental Research, Bangalore 560089, India
School of Natural Sciences, Institute for Advanced Study, 1 Einstein Drive, Princeton, NJ 08540, USA
Chennai Mathematical Institute, Siruseri 603031, Chennai, India
Kavli Institute for Cosmological Physics, The University of Chicago, 5640 South Ellis Avenue, Chicago, IL 60637, USA
论文信息