arXiv cs.AI· Ma ZhenYao, Yue Liang, Jian-Qiao Zhu·· 11 小时前AI 评分38
OptScientist：自动发现优化定律
OptScientist: Automated Discovery of Optimization Laws
AI 导读
OptScientist 是一个从数据中直接发现紧凑符号优化定律的自动化框架，由符号优化问题推断模型与 LLM 智能体系统两部分组成。在 99 个物理衍生优化问题的新基准 OptFeynman 上，它对超过 80% 的问题恢复了真实定律，并显著优于机器学习、符号及基于 LLM 的基线。
正文 · AI 翻译
摘要：许多科学现象最好被理解为潜在优化问题的结果，然而自动化科学发现主要集中于恢复描述观测到的输入-输出模式的方程。我们提出 OptScientist，一种新颖的自动化框架，用于直接从数据中发现紧凑的符号优化定律。OptScientist 包括：(i) 一个模型，通过首先学习将数据表示为优化问题，然后提取其符号形式来推断符号优化问题；(ii) 一个 LLM 智能体系统，将模型嵌入发现过程，该过程整合来自科学文献的理论先验、发现候选定律、抽象其底层机制，并建议收集新数据。我们首先在 OptFeynman 上评估 OptScientist，这是一个包含 99 个源自物理学的优化问题的新基准，OptScientist 在其中为超过 80% 的问题恢复了真实定律，并且对噪声上下文信息保持稳健，同时大幅优于机器学习、符号和基于 LLM 的模型发现基线。在人类风险选择和央行货币政策上，OptScientist 发现了紧凑的符号优化定律，其留出预测性能与领先基线相当，同时使用的参数很少，且比 LLM 基线使用的 token 少得多。总体而言，OptScientist 将自动化科学发现扩展到揭示产生观测现象的优化定律，从而能够在物理、生物、行为和社会科学中实现自动化理论构建。
| 评论： | 项目网站：此 https URL |
| 主题： | 人工智能 (cs.AI)；机器学习 (cs.LG)；符号计算 (cs.SC)；计量经济学 (econ.EM)；优化与控制 (math.OC) |
| 引用为： | arXiv:2610.28562 [cs.AI] |
| （或 arXiv:2610.28562v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28562 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yue Liang [查看电子邮件]
[v1]
2026年10月20日星期二 17:23:40 UTC（1,929 KB）
来源：arXiv cs.AI · arxiv.org