Lang-PINN：通过多智能体框架从语言构建物理信息神经网络
人工智能
2025-10-08 v1 计算工程、金融与科学
机器学习
多智能体系统
摘要
物理信息神经网络 (PINN) 为求解偏微分方程 (PDE) 提供了强大的方法，但构建可用 PINN 仍然代价高昂且容易出错。科学家必须将问题解释为 PDE 表述，设计网络结构和损失函数，并实现稳定的训练管道。现有基于大型语言模型 (LLM) 的方法仅解决诸如代码生成或架构建议等孤立步骤，通常假设已指定正式的 PDE，因而缺乏端到端的视角。我们提出 Lang-PINN，一种由 LLM 驱动的多智能体系统，可直接从自然语言任务描述构建可训练的 PINN。Lang-PINN 协调四个互补智能体：PDE 智能体将任务描述解析为符号 PDE，PINN 智能体选择网络结构，Code 智能体生成模块化实现，Feedback 智能体执行并诊断错误以进行迭代细化。该设计将非正式任务表述转化为可执行且可验证的 PINN 代码。实验表明，Lang-PINN 在误差和鲁棒性方面显著优于竞争基线：均方误差 (MSE) 最高可降低 3--5 个数量级，端到端执行成功率提高超过 50\%，将时间开销降低最高 74\%。
引用
@article{arxiv.2510.05158,
title = {Lang-PINN: From Language to Physics-Informed Neural Networks via a Multi-Agent Framework},
author = {Xin He and Liangliang You and Hongduan Tian and Bo Han and Ivor Tsang and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2510.05158},
year = {2025}
}
备注
PINN, PDE, Agent, LLM