通过代理发现混合结构学习心脏电生理数字孪生

构建个性化心脏电生理数字孪生需识别适配的患者模型结构，而非仅拟合参数。传统方法依赖专家手动设计混合物理 - 神经架构，缺乏通用性。现有 LLM 方法虽具泛化能力，但缺失保障模拟稳定性的结构先验。为此，本文提出 LEADS 框架，将领域知识转化为结构化动作空间，利用 LLM 智能体通过“推理 - 行动”迭代循环，自主选择、组合并优化混合模型，同时结合梯度下降进行参数拟合。实验表明，该方法在合成与真实数据上均优于人工设计及其它 LLM 建模方法。