EvoPINN：物理信息神经网络可执行算法的智能体发现

物理信息神经网络（PINN）已成为求解偏微分方程（PDE）的强大范式，但其性能严重依赖于对神经表示、损失形式和优化动态的人工试错式工程调整。尽管大语言模型（LLM）为自动化设计提供了有前景的途径，但在严格的科学计算约束下，无约束的代码生成常常产生数学上无效或数值上不稳定的解。为弥合这一差距，我们提出EvoPINN，一个将PINN开发从劳动密集型的人工设计重新表述为严格的、以执行为依据的算法发现问题的智能体框架。EvoPINN通过将神经表示与训练程序解耦来导航模块化搜索空间，利用LLM智能体迭代地提出以记忆为条件的程序化修改。为确保科学有效性，所有候选方案都经过严格的结构验证和预算对齐的PDE评估。在多种PDE类型（振荡、椭圆、耗散和非线性输运）上的大量实验表明，EvoPINN发现的PDE专用学习算法相比基线显著降低了相对$L_{2}$误差。至关重要的是，EvoPINN自主发明了SLRC-PINN这一新颖架构，其性能增益在严格的参数对齐比较下依然保持，确立了以执行为依据的智能体在发现真正全新科学计算机制方面的可行性。