通过智能体 AI 发现可解释替代模型：引力波应用

高效的替代模型对于昂贵的模拟计算至关重要，但通常作为黑盒子工作。我们提出了 \texttt{GWAgent}，这是一种基于大型语言模型 (LLM) 的工作流程，直接从模拟数据构建可解释的解析替代模型。替代模型建模非常适合 agentic 工作流程，因为可以在每个迭代中对候选模型进行定量验证。作为演示，我们为引力波构建了一个来自非圆形二体黑洞合并的替代模型。我们表明，为 agent 提供基于物理的领域假设可显著提高输出模型的准确度。 resulting 解析替代模型在中值 Advanced LIGO mismatch 为 $6.9\times10^{-4}$，同时实现约 $8.4\times$ 的波形评估加速，超越符号回归和传统机器学习基线。除了产生准确的模型外，该工作流程还从学习表示中识别出紧凑的物理结构。作为天体物理应用，我们使用 \texttt{GWAgent} 分析 GW200129 的偏心率，推断 $e_{20\mathrm{Hz}}=0.099^{+0.063}_{-0.044}$。这些结果表明，受验证约束的 agentic 工作流程能够为科学仿真和推断生产准确、快速且可解释的替代模型。