arXiv cs.AI· Achuth Chandrasekhar, Amir Barati Farimani·· 10 小时前AI 评分32
LLM 智能体通过 MCP 发现交换关联泛函 O159，自洽验证优于 ωB97M-V
Agent-Guided Discovery of Exchange-Correlation Functionals with Physics-based Validation
AI 导读
研究者将前沿 LLM 智能体通过 Model Context Protocol 接入 GPU 评估器，发现 13 参数交换关联泛函 O159，其同自旋关联乘以平滑密度窗口。
正文 · AI 翻译
摘要：准确、紧凑的交换-相关泛函是预测性密度泛函理论的核心。符号搜索和语言模型智能体可以提出新的泛函形式，但这些改进能否在自洽和外部评估中保持、新项是否具有物理内涵、智能体是否优于进化搜索，以及不同语言模型主干之间如何比较，仍不清楚。我们通过模型上下文协议将前沿 LLM 智能体连接到 GPU 评估器，仅使用训练集拟合，并具备持久记忆、自洽评估和外部评估。Opus-5.5 智能体以比 Codex（GPT-6-Astra）智能体少约 40 倍的 token 通过了筛选关卡，并找到了一个验证误差和留出误差更低的候选泛函；只有该候选进入了自洽评估。由此得到的 13 参数泛函 O159 用一个平滑密度窗口乘以同自旋相关。重新拟合的对照实验倾向于一个窗口，该窗口缩放整个同自旋因子，使其峰值降低 15--30\%，并且主要在近等轨道区域对反应能起作用；与重新拟合的无窗口对照相比，它将 GSCDB137 上的重原子总能量误差降低了 29\%。在各自约 400 次拟合的情况下，SyFES 进化未能改进其 GAS22 种子，而智能体通过添加显式密度尺度，找到了验证误差低 0.10--0.13 \kcal\ 的形式。自洽的 O159 将 $\omega$B97M-V 的留出 MGCDB84 测试误差降低了 11.7\%，其在 36 个 GSCDB137 数据集上的平均归一化误差比（1.139）与 $\omega$B97M-V（1.144）相当，且低于 GAS22（1.190）。因此，前沿 LLM 智能体产生了 O159，这是一个紧凑的泛函，其相对于 $\omega$B97M-V 的改进在自洽的、基于物理的验证中得以保持。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.13329 [cs.AI] |
| （或此版本的 arXiv:2611.13329v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.13329 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Achuth Chandrasekhar [查看电子邮件]
[v1]
2026年11月9日星期一 22:56:02 UTC（3,527 KB）
来源：arXiv cs.AI · arxiv.org