用于自动神经算子发现的智能体AI科学社区

我们提出了一种基于人工智能科学社区的自主神经算子发现的代理方法，该社区由一群在基于引用的影响力经济下互动的虚拟实验室组成。被高引用的实验室找到了遵循其研究方向的新实验室并取代了表现不佳的实验室。每个虚拟实验室包含三个代理：一个提出架构的 LLM 规划器、一个训练和测量架构的数值工作者以及一个参与跨实验室同行评审的 LLM 评审器。所有实验室共享一个通用词汇，包括 DeepONet（分支-主干）、傅立叶、Transformer（注意力）、小波和残差卷积神经算子构建块。我们对神经算子人工智能科学界的五个问题进行了评估，即分段回归、线性平流和伯格斯一维偏微分方程以及纳维-斯托克斯和达西流二维偏微分方程，同时对每个问题重复模拟三次。结果表明，神经算子人工智能科学界有能力发现高精度、低参数数的神经算子架构。所有 9,623 个 LLM 调用均被记录和审核，这表明虚拟实验室 LLM 规划者选择在 99.8% 的记录决策中进行混合，始终返回多户混合体。此外，我们进行了一项消融研究，通过用基于规则的替代品替换每个实验室中的 LLM 代理，这导致科学界在一些情况下崩溃为非杂交的单族堆栈，表明需要 LLM 代理来保护多样性。结果表明，对于神经算子来说，没有免费午餐定理：没有普遍的赢家。代码、配置和完整的 LLM 成绩单发布于 https://github.com/luislootx/AI-SC。