物理审计的智能体发现在科学机器学习中

在智能体科学机器学习（SciML）中，LLM智能体可以发现代理模型并按自动分数（通常是误差度量）选择其一。但低误差并不能确立预测场满足力学上重要的物理——如边界条件、叠加、刚度缩放或因果性。我们引入物理审计的智能体SciML（PA-SciML）：验证优先的智能体SciML发现工作流。工作流在搜索前固定评分评估器、导出可评审的机器可检验物理需求、在输出上检查每个训练候选、并分别在规定输入范围或实测载荷历史跨度内搜索高违规案例——无需参考解场。只有通过所述检查的代理才被报告为已验证。启用时，工作流还在训练前添加咨询性数值探针，并一次测试一个建模变更以记录哪些孤立编辑与分数增益相关。在报告的计算固体力学数值示例中：静态弹性运行选择的代理验证误差低于仅误差基线，且两个选中模型都通过共同的线弹性检查；在瞬态弹性动力学运行中，均值误差相近的仅误差基线未通过更严格的因果性检查（响应载荷历史的未来部分），而选中的代理通过所述检查。主要区别是对预测场的逐候选物理证据，而非更丰富的聚合分数。