论文
PINNForge：用大语言模型对物理信息神经网络进行执行驱动的演化设计
PINNForge: Execution-Grounded Evolutionary Design of Physics-Informed Neural Networks for PDE Solving via Large Language Models
摘要
物理信息神经网络（PINN）需要在网络表示、采样、损失构造和优化之间做协同选择，而有效配置往往随偏微分方程（PDE）不同而差异很大。现有自动化 PINN 设计方法可以搜索候选配置，但实际训练中暴露的信息主要用于评估而非改进后续设计，导致反复试错和训练预算的低效使用。我们提出 PINNsForge，一个由 LLM 驱动、基于执行反馈的自动化 PINN 设计演化框架。PINNsForge 从 PDE 相关先验知识生成多样化候选配置，通过实际训练评估它们，并把高性能设计与累积的执行证据一起反馈给 LLM。在观察到的优化行为引导下，LLM 进而精炼、重组并探索相互耦合的 PINN 设计组件，形成生成-执行-反馈-演化的持续循环。与一次性搜索或仅评估的反馈不同，PINNsForge 逐步将训练经验转化为针对目标 PDE 的更好设计决策。在 25 个 PDE 基准上，PINNsForge 与 RoPINN、PINNsFormer 和 PINNsAgent 相比在 24 个任务上取得最低平均 MSE。消融研究进一步确认 PDE 知识库、执行反馈和演化搜索的重要性：移除这些组件分别使平均 MSE 增至完整 PINNsForge 的 3.74 倍、12.10 倍和 10.10 倍。
