探索物理问题中的结构：AI 智能体能否发现统计力学映射？

该论文提出 StatMechBench-v0 基准测试，包含六个 Ising 类问题，用于评估基于 LLM 的智能体能否从原始配分函数中发现统计力学映射。研究采用了提议-验证-修正的智能体架构，结果显示数值反馈有助于智能体修复代码并恢复正确配分函数，但智能体可能通过数值检查却误识别底层可解类或低估计算复杂度，暴露了 LLM 在结构发现上的局限性，并呼吁建立超越数值一致性的验证堆栈。

此前 AI 在理论物理中的应用多集中于数值计算或已知模型，该研究首次系统评估 LLM 智能体在结构发现方面的能力，揭示了当前 LLM 仅依赖数值检查易产生误判，为 AI for Science 领域提出了更严格的验证方向。

理论物理学家的重要技能是将新问题转化为已知模型，该研究将此建模为 AI 智能体任务，通过基准测试和数值反馈迭代修正代码，但发现数值一致并不能保证结构理解正确，需要符号检查等更高阶验证来确保映射的准确性。

该研究提示正在开发科学 AI 智能体的团队：仅凭数值验证不足以确保模型对物理结构的正确理解，需集成符号推理与结构不变量检测，从而提升 AI 在理论物理研究中的可靠性。

• 开发结合数值与符号验证的 AI 科学发现平台，用于物理问题结构映射。
• 基于 StatMechBench 扩展更多物理问题基准测试，评估不同 LLM 智能体。
• 为 LLM 智能体增加结构不变性检测模块，提升困难问题上的准确率。

• 该基准测试能否推广至统计力学之外的其他物理领域？
• 当前 LLM 的局限性是否能通过更大规模模型或更强推理架构克服？
• 数值通过但结构误判的发生频率和类型是否可系统分类？
• 符号验证堆栈的具体实现方案和计算成本如何？