自演化科学智能体设计物理推理的白板流体控制器

虽然数据密集型深度强化学习可以优化复杂的控制策略，但物理系统中的科学控制设计从根本上需要一条可解释的推理链，将物理证据与结构化控制架构连接起来。在这里，我们提出了一种自我进化的科学代理工作流程，由大型语言模型和迭代代码生成驱动，可自动化控制器构建，同时保留严格的可解释性和严格的物理推理。该代理不是调整权重，而是将候选白盒控制器部署到物理模拟中，主动从多模态证据中诊断动态行为，并将这些观察结果转化为渐进的源代码改进。我们在高度非线性的流体-结构相互作用问题上演示了该框架：一个欠驱动的两关节角鲨游泳者，其任务是仅使用关节角加速度在不稳定的流动中到达空间目标。从目标盲目推进种子开始，代理自主设计和完善一个统一的控制器，以达到嵌入不稳定四缸尾流中的目标。无需重新训练、重新调整或特定情况分支，保留的控制器即可在整个泛化测试矩阵中实现目标捕获，涵盖目标位置、后排几何形状、气缸数量和流入速度的变化。可审计的演化日志揭示了一种基于行波推进、车身框架轴承引导、相选择转向、校正突发和自适应缓解的紧急控制架构。我们的结果表明，自主科学代理可以成功地将积累的物理证据转化为强大的、数学上可读的控制策略，同时保持科学控制设计的完全可追溯的过程。