科学机器学习中经物理审计的智能体式发现

arXiv:2607.07379v2 公告类型：replace-cross 摘要：智能体式发现能够生成验证误差较低却仍违反物理要求的力学代理模型。我们提出 Physics-Audited Agentic SciML（PA-SciML），这是一个将大语言模型智能体与物理审计相结合的框架。物理要求被编码为叠加原理、边界条件和因果性等契约，在候选模型搜索前固定下来，并在不依赖参考解的情况下对预测场进行检验，检验方式包括对抗性搜索。审计结果用于指导后续方案提出和模型选择，但与验证误差分开报告。单项修改测试记录可复用的设计变更。四个复杂度递增的固体力学问题，从参数化弹性问题到非均匀刚度场问题，再到具有组合硬化的循环塑性问题，揭示了仅依据误差选出的代理模型存在违反因果性、零输入要求和应力界限的情况。在弹性动力学中，两个代理模型的误差几乎相同，但只有启用审计的模型在构造上保证了因果性。启用审计的代理模型在采样输入上通过了所要求的检查，同时在大多数比较中，其精度达到或超过了未启用审计的模型。