自动神经算子发现的代理式AI科学社区

arXiv论文提出一种基于AI科学社区的代理方法，用于自动发现神经算子架构。该社区包含多个虚拟实验室，每个实验室由LLM规划器、数值工作者和LLM评审者三个代理组成，实验室间通过引用经济交互，高引用实验室可创建新实验室并替换低效者。在分段回归、线性平流、Burgers方程、Navier-Stokes和Darcy流等五个问题上，该方法能自动发现高精度、低参数数量的混合神经算子架构（如DeepONet、Fourier、Transformer等）。分析显示LLM规划器在99.8%决策中选择混合化，消融实验证明LLM代理对保持架构多样性不可或缺。

此前神经算子发现依赖手工设计或简单搜索，该研究首次利用多代理LLM协作与模拟学术社区，实现了自动、高多样性的架构探索。实验表明LLM的混合决策显著优于规则替代，有望改变科学计算中模型设计的范式。

虚拟实验室群在引用经济中竞争：LLM规划器从共享构建块中提出架构组合，数值工作者训练并测量性能，LLM评审者提供跨实验室反馈；高绩效实验室积累引用并繁衍新实验室，低绩效者被淘汰。LLM的开放混合能力确保架构家族多样性，规则替代则导致同质化。

该方法可自动化神经算子架构搜索，减少人工试错成本，有望加速物理仿真、气象预测等领域的高效模型开发。其“社区式”发现机制若集成进开发工具，可提升AI科学计算应用的研发效率。

• 构建基于该社区的自动化神经算子搜索插件，嵌入DeepXDE、SimNet等现有科学计算框架。
• 为特定工程问题（如流体模拟、地震波传播）定制神经算子发现流水线，提供SaaS服务。
• 将虚拟实验室架构与AutoML平台结合，支持用户通过自然语言指定设计目标并自动生成模型。

• 该方法在大规模、高维PDE问题上的扩展性尚未验证。
• 每次发现过程的计算成本（尤其是LLM调用）是否可控？
• 引用经济机制是否能稳定选择最优研究方向，或可能陷入局部收敛？
• 虚拟实验室规模（如代理数量）对结果质量的影响未被讨论。