论文
像科学家一样思考：面向方程发现的物理引导LLM智能体
Think like a Scientist: Physics-guided LLM Agent for Equation Discovery
摘要
通过符号化、可解释的公式解释观察到的现象是科学的一项根本目标。近来，大型语言模型（LLM）凭借广泛的领域知识和较强的推理能力，已成为符号方程发现的有望工具。然而，大多数现有基于LLM的系统试图直接从数据猜方程，而不建模科学家常遵循的多步推理过程：先推断对称性等物理性质，再将其作为先验来约束候选方程空间。我们提出KeplerAgent，一个显式遵循这一科学推理过程的Agentic框架。该智能体协调基于物理的工具以提取中间结构，并用这些结果配置符号回归引擎（如PySINDy和PySR），包括其函数库与结构约束。在一系列物理方程基准上，KeplerAgent的符号准确率显著高于LLM基线与传统基线，且对噪声数据更稳健。
