OptScientist 框架可从数据中自动发现符号化优化定律
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 OptScientist，用于从数据中直接发现紧凑的符号化优化定律，而非只拟合输入输出关系。该框架由两部分组成：一个模型先把数据表示为优化问题，再提取其符号形式；一个 LLM 智能体系统把该模型嵌入发现流程，引入文献中的理论先验、生成候选定律、抽象其机制，并建议补充采集的数据。在包含 99 个物理来源优化问题的 OptFeynman 基准上，它对超过 80% 的问题还原出真实定律，并对噪声上下文保持稳健，表现优于机器学习、符号回归和基于 LLM 的基线。在人类风险选择与央行货币政策两个场景中，它发现的定律在留出预测上接近领先基线，参数更少，消耗的 token 也明显少于 LLM 基线。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从拟合方程转向还原优化目标
论文的出发点是：不少科学现象更适合被理解为某个优化问题的结果，而现有的自动科学发现工作多集中在还原描述输入输出关系的方程。OptScientist 因此把目标改为直接发现紧凑的符号化优化定律。它的做法分两步：先让模型学习把观测数据表示成一个优化问题，再从该表示中抽取符号形式，得到可读的定律表达式，而不是黑箱预测器。
LLM 智能体驱动的发现闭环
框架的第二部分是一个 LLM 智能体系统，它把上述模型嵌入完整的发现流程：引入来自科学文献的理论先验，生成候选定律，对候选背后的机制做抽象，并据此建议下一步应采集哪些新数据。这样，发现过程不只是单次拟合，而是带有假设生成与实验建议的迭代闭环，作者将其定位为面向物理、生物、行为与社会科学的一般化理论构建工具。
基准与跨领域验证结果
作者构建了 OptFeynman 基准，由 99 个源自物理的优化问题组成。在该基准上，OptScientist 对超过 80% 的问题还原出真实定律，并在上下文含噪声时保持稳健，成绩明显好于机器学习、符号方法与基于 LLM 的模型发现基线。在人类风险选择与央行货币政策两个真实场景中，它得到的紧凑定律在留出数据上的预测表现与领先基线相当，同时参数更少，消耗的 token 也显著低于 LLM 基线。
为什么值得看
把自动科学发现从拟合方程推进到还原生成现象的优化目标，并给出可复现基准与跨领域验证。
智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。