通过自动诊断与技能发现训练数值智能体

摘要

AI 智能体生成科学代码的能力越来越强，但生成代码并不等同于改进其背后的算法。对于数值求解器，执行反馈可能会暴露性能不佳，但很少揭示其根本原因以及解决方法。我们引入自动诊断和技能发现（ADSD），这是一个将数值诊断与可重用求解器自我改进联系起来的框架。 ADSD 遵循诊断优先的范式，首先解释求解器性能不佳的原因，然后使用此诊断来指导发现适当的数值方法。由此产生的知识被打包成可重用的求解器技能，将求解器改进从试错编辑转变为诊断、发现和实施的结构化过程。在四个具有挑战性的数值领域——潮流方程、交流最优潮流控制、刚性常微分方程和异质扩散偏微分方程——ADSD 不断提高求解器的精度、鲁棒性和效率。例如，在 GOC-500 潮流上，ADSD 将平均求解器误差降低了近 $71\times$，并将改进进一步转移到看不见的电网拓扑和运行机制。

通过自动诊断与技能发现训练数值智能体的原论文方法或结果图 — 图 1：ADSD 概述。自动诊断将公共测试用例上冻结基线求解器 $N_{0}$ 的执行反馈与文献衍生的诊断技能相结合，以识别数值故障模式。技能发现使用经过验证的假设来检索候选方法并完成其实现。由此产生的可重用解算器技能与 $N_{0}$ 一起提供给新的智能体，以生成改进的解算器 $B$。