GAV：面向 PDE 智能体的科学实验环境

arXiv:2610.30292v1 公告类型：新提交 摘要：可靠的反馈对于编程智能体开发偏微分方程（PDE）程序至关重要。然而，在新的 PDE 问题上评估这些程序通常需要代价高昂的参考计算，而固定数据集又限制了实验范围。我们提出 Generator-Agent-Verifier（GAV），这是一个科学实验环境，通过构造过程本身确保新的 PDE 问题可被验证。Generator 利用数值模拟或实验测量数据，学习连续参考解的分布，以表征目标物理状态。它采用制造解法，从生成的参考解反向构造与之匹配的 PDE 问题，无须单独进行数值求解。Agent 设计实验、探究失败原因，并迭代改进其程序。Verifier 对照参考解评估候选程序，并提供有关精度和计算成本的数值反馈。这些反馈还可用于指导生成新问题，以探查当前程序的薄弱之处。我们对评估可靠性和引导式开发进行了理论分析。在不同数据来源和物理状态下，针对 Navier-Stokes 和 Vlasov-Poisson 型方程开展的实验证明了 GAV 的有效性。特别是在数值 Navier-Stokes 任务中，相较于原始配置，GAV 将三个现有 PDE 智能体的平均测试误差降低了一个数量级以上。代码已公开，地址为 https://github.com/PotatoJnny/PDE-GAV。