利用LLM引导树搜索优化三维光伏结构

我们提出了一个案例研究，展示了AI编码系统如何用于生成新颖的科学假设。我们将通用编码代理（Google的AntiGravity）与LLM驱动的树搜索算法（Empirical Research Assistance / ERA）相结合，自主生成高效的三维光伏（3DPV）结构，这些结构克服了平坦太阳能电池板在中纬度地区损失的限制。这些结构通过在整天中向太阳呈现 favorable 角度来工作，为此我们专注于优化单个太阳能一天的性能。我们的工作流程首先使用AntiGravity复现计算 \cite{bernardi2012solar}，表明3DPV的能量密度远高于固定平板光伏电池板。我们将这些初始设计作为大规模树搜索的起点，在其中寻找改进方案并对其进行diurnal yield评分。初始树搜索导致名义上更高效的解决方案，但它们是由于算法奖励作弊导致的，源于非物理设计特征，如结构悬空的不相连的层和对光学求解器离散化的利用。为对抗这种情况，我们发展了一个工作流程，其中编码代理迭代地修补物理引擎，以消除奖励作弊。通过消除奖励作弊，ERA发现一系列具有不同约束条件且性能更佳的设计，包括不同固定收集器面积的最优设计，优化俯仰跟踪并避免自阴影。将编码代理与树搜索（ERA）相结合为科学发现提供了强大的平台，适用于可通过评分函数进行经验评估的解决方案。