ASIA：一个自主的系统辨识智能体

多年来，系统辨识研究为学习动力学模型提供了丰富的方法以及成熟的理论保证。然而在实践中，模型类、训练算法的选择与超参数调优仍在很大程度上留待经验性试错，需要大量专家时间与领域经验。受智能体人工智能近期进展的启发，我们提出ASIA，一个将这一迭代搜索委托给大语言模型（LLM）充当自主编码智能体的框架。在现有智能体平台的基础上，ASIA无需人工干预即可闭合假设、实现与评估之间的循环，只需用通俗英文描述辨识问题。我们在两个系统辨识基准上对ASIA开展实证研究，分析该智能体的搜索行为、它发现的架构与训练策略，以及所得模型的质量。我们还讨论了该方法的潜力与当前局限，包括隐式测试泄漏、方法透明度下降与可复现性隐忧。