AgenticSciML：面向科学机器学习中新兴发现的协作多智能体系统
人工智能
2026-02-17 v2 计算工程、金融与科学
机器学习
摘要
科学机器学习（SciML）将数据驱动的推理与物理建模相结合，以解决科学与工程领域中的复杂问题。然而，SciML架构、损失函数形式以及训练策略的设计仍属于专家驱动的研究过程，需进行大量实验并依赖问题特定的见解。本文介绍了AgenticSciML——一种协作式多智能体系统，其中超过10个专业AI智能体通过结构化推理和迭代演化提出、批判性地评估并细化SciML解决方案。该框架集成了结构化辩论、检索增强的方法记忆以及集合指导的演化搜索，使智能体能够生成和评估关于架构与优化程序的新假设。在物理信息学习和算子学习任务中，该框架发现的方法能相较于单智能体方法和人类设计的基线，在误差降低方面提升最高可达四个数量级。智能体产出的新策略——包括自适应混合专家架构、基于分解的PINNs以及物理信息算子学习模型——均未在当前精选知识库中显式出现。这些结果表明，AI智能体之间的协作推理可产生新兴的方法学创新，为可扩展、透明且自主的科学计算发现指明了路径。
引用
@article{arxiv.2511.07262,
title = {AgenticSciML: Collaborative Multi-Agent Systems for Emergent Discovery in Scientific Machine Learning},
author = {Qile Jiang and George Karniadakis},
journal= {arXiv preprint arXiv:2511.07262},
year = {2026}
}