OptScientist：优化定律的自动化发现

许多科学现象最好被理解为潜在优化问题的结果，然而，自动化科学发现长期以来主要侧重于恢复描述观测到的输入—输出模式的方程。我们提出了 OptScientist，一种新颖的自动化框架，能够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，该模型首先学习将数据表示为优化问题，然后提取其符号形式，以推断符号优化问题；（ii）一个 LLM 智能体系统，将该模型嵌入发现流程中，整合科学文献中的理论先验，发现候选定律，抽象其潜在机制，并建议收集新的数据。我们首先在 OptFeynman 上评估 OptScientist。OptFeynman 是一个包含 99 个源自物理学的优化问题的新基准。在超过 80% 的问题上，OptScientist 成功恢复了真实定律，并且对含噪的上下文信息保持稳健，同时显著优于基于机器学习、符号方法和 LLM 的模型发现基线。在人类风险选择和中央银行货币政策任务上，OptScientist 发现了紧凑的符号优化定律，在留出数据上的预测性能可与领先基线相媲美，同时使用的参数更少，所需词元也显著少于 LLM 基线。总体而言，OptScientist 将自动化科学发现拓展到揭示产生观测现象的优化定律，从而推动物理、生命、行为和社会科学领域的自动化理论构建。