arXiv cs.AI· Diab W. Abueidda, Bilal Ahmed, Panos Pantidis, Mostafa E. Mobasher·· 10 小时前AI 评分38
PA-SciML：用物理审计约束 LLM 智能体的科学机器学习发现
Physics-Audited Agentic Discovery in Scientific Machine Learning
AI 导读
研究者提出 Physics-Audited Agentic SciML（PA-SciML）框架，将 LLM 智能体与物理审计结合，在候选搜索前把叠加性、边界条件、因果性等物理要求固化为契约，并在无参考解的情况下对预测场做对抗性检验。
正文 · AI 翻译
摘要：智能体式发现可以产生验证误差很低的力学代理模型，但这些模型仍可能违反物理要求。我们提出 Physics-Audited Agentic SciML（PA-SciML），一个将大语言模型智能体与物理审计相结合的框架。物理要求以叠加性、边界条件和因果性等契约形式编码，在候选搜索之前固定，并在没有参考解的情况下对预测场进行测试，包括通过对抗性搜索进行测试。审计结果指导后续的提案和模型选择，但与验证误差分开报告。单次编辑测试记录了可复用的设计变更。四个复杂度递增的固体力学问题——从参数化弹性到非均匀刚度场，再到含组合硬化的循环塑性——揭示了仅凭误差选出的代理模型中存在的因果性、零输入和应力边界违反。在弹性动力学中，两个代理模型达到几乎相等的误差，但只有启用审计的那个在构造上满足因果性。启用审计的代理模型在采样输入上通过了要求的检查，同时在大多数比较中达到或超过未启用审计的精度。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2607.07379 [cs.AI] |
| （或 arXiv:2607.07379v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.07379 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mostafa Mobasher [查看电子邮件]
[v1]
2026年7月8日星期三 13:10:35 UTC（3,438 KB）
[v2]
2026年10月30日星期五 11:21:04 UTC（5,193 KB）
来源：arXiv cs.AI · arxiv.org