Agent Discovery Scientific Computing Self-Evolution PINN
摘要

物理信息神经网络(PINN)性能依赖人工试错设计。为解决大模型代码生成在科学计算中无效或不稳定的问题,本文提出 EvoPINN 框架。该框架将 PINN 开发转化为基于执行的算法发现问题,利用 LLM 代理在模块化空间中迭代提出记忆条件的程序修改,并通过严格验证确保科学性。实验表明,EvoPINN 能自主发现专用学习算法,显著降低误差,并发明了新型 SLRC-PINN 架构,证明了执行导向代理发现新科学机制的可行性。

AI 推荐理由

论文提出 EvoPINN 框架,利用 Agent 迭代发现并自我进化出新的科学计算算法架构。

研究机构
School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, Beijing, China Institute of Automation, Chinese Academy of Sciences, Beijing, China
论文信息
作者 Peng Yin, Kai Li, Yifan Zhang, Jian Cheng
发布日期 2026-07-29
arXiv ID 2607.26490
相关性评分 9/10 (高度相关)