automodel把模型发现写成技能:通用编程智能体在五个科学领域找到可解释模型
核心概要
模型发现此前要么靠人工设计,要么靠为每个问题专门搭建的搜索流程,结构选项和算子组合都要预先指定。automodel把“建立评估器、拟合基线、迭代结构假设、外部终检”这套流程写成可移植的智能体技能,交给Claude Code、Codex等通用编程智能体执行。在恒星质量函数、心血管、精准农业、轮胎动力学和交通流五个案例中,智能体找到了新的或改进的模型;在恒星质量函数上,A5在Sérsic与cmodel两个数据集上的描述长度都低于Bernardi函数,且只用19个算子对23个。
深度剖析
模型发现现在可以作为一种可移植的智能体技能,交给通用编程智能体执行,而不必为每个问题单独搭建搜索流程。 此前的符号回归、神经架构搜索和AutoML依赖专用搜索算法,结构选择与允许的组合必须由建模者预先指定并针对数据调整;AlphaEvolve一类系统则需要专门的协调软件来组织大模型调用、候选生成与评估。 五个案例覆盖天体物理、心血管动力学、精准农业、交通流和轮胎动力学,模型表示从单行解析表达式到嵌入科学模拟器的方程修改,均由商用编程智能体在automodel引导下完成。
技能把发现过程拆成设定、基线、迭代、终检四个阶段,由智能体与研究者共同确定目标、约束和评估方式。 迭代阶段采用嵌套循环:编排智能体派出并行子智能体,各自负责不重叠的搜索方向,子智能体反复修改模型结构、拟合自由参数并记录结果,编排智能体再汇总结果并更新方向。 在恒星质量函数案例中,智能体以Claude Code(Opus 4.8)运行三轮元迭代、每轮四个并行智能体、每个智能体四次顺序结构编辑,评估器复现了已发表的描述长度,使候选与文献数值可直接比较。
在恒星质量函数上,搜索返回七个优于穷举符号回归最佳结果的函数,其中A5在两个数据集上的描述长度都低于Bernardi函数。 穷举符号回归受计算量限制只能达到复杂度10左右,而Saunders与Bernardi函数含21和23个算子,因此穷举方法无法触及这些文献形式的复杂度。 A5用19个算子对Bernardi的23个,在两个数据集上描述长度分别降低,同时似然更高;A5还通过正值、随质量递减和积分不超过宇宙重子质量预算三项物理性检查。
启示与展望
演示范围是五个具体科学建模问题:星系恒星质量函数拟合、CircAdapt心血管模型方程修改、冬小麦氮响应曲线骨架、轮胎侧向力解析模型和LWR交通流基本图修正;读者应把它看作在已有代码与数据上由研究者主导的交互式发现流程。作者指出,与同一编程智能体不带技能的对照只在天体物理案例中做了初步测试,更系统的控制实验和与传统搜索算法的详细比较仍待完成。
作者说明这些发现给出的是假设,机制解释需要独立验证;心血管案例中留出患者的改善并不均匀,只算温和优势而非群体泛化证据;精准农业的八参数曲线单个站点参数可辨识性弱,不应跨站点独立解读;轮胎模型中部分系数接近优化边界,应视为预测律的组成部分而非可独立识别的物理量。
