跳转至

文章背景与核心概要

本文介绍了一种由大语言模型和迭代代码生成驱动的自进化科学智能体工作流，旨在自动化构建白盒物理控制器。与传统深度强化学习调整网络权重的方法不同，该智能体通过在物理仿真中测试候选控制器、利用多模态证据诊断动态行为，并据此改进源代码。

在针对高度非线性的流固耦合问题（非定常尾流中的欠驱动角鲨仿生游泳器）的测试中，该智能体自主设计了一种稳健、可解释的控制器，能够在无需重新训练的情况下，无缝泛化至不同的目标位置、几何形状和来流速度。该研究展示了自主科学智能体如何将积累的物理证据转化为稳健、数学上可读的控制策略，同时保持科学控制设计过程的全程可追溯性。

自进化科学智能体发现可泛化的具物理推理能力流体控制策略

Self-Evolving Scientific Agent Discovers Generalizable Physically-Reasoned Fluid Control

摘要

本篇论文引入了一种由大语言模型和迭代代码生成驱动的自进化科学智能体工作流，用以自动化构建白盒物理控制器。与传统深度强化学习调整权重的方式不同，该智能体将候选白盒控制器部署到物理仿真中，从多模态证据中主动诊断动态行为，并将这些观测结果转化为逐步推进的源代码改进。

我们在一个高度非线性的流固耦合问题上验证了该框架：一个欠驱动的两关节角鲨仿生游泳器，其任务是在仅使用关节角加速度的情况下，在非定常流中实现空间目标到达。从一个盲目的推进种子开始，智能体自主设计并完善了一个统一的控制器，能够触达嵌入在非定常四圆柱尾流中的目标。在无需重新训练、重新调参或针对特定案例进行分支的情况下，保留下来的控制器在整个泛化测试矩阵中均实现了目标捕获，涵盖了目标位置、后排几何形状、圆柱数量和来流速度的变化。

可审计的演化日志揭示了一种基于行波推进、机体坐标系方位引导、相位选择性转向、校正爆发和自适应释放的涌现控制架构。我们的结果表明，自主科学智能体能够成功将积累的物理证据转化为稳健、数学上可读的控制策略，同时保持科学控制设计过程的全程可追溯性。

Summary

This paper introduces a self-evolving scientific agent workflow driven by large language models and iterative code generation to automate the construction of white-box physical controllers. Rather than adjusting weights like traditional deep reinforcement learning, the agent tests candidate controllers in physical simulations, diagnoses dynamic behaviors using multimodal evidence, and refines the source code accordingly. Tested on a non-linear fluid-structure interaction problem (an underactuated dogfish swimmer in an unsteady wake), the agent autonomously designed a robust, interpretable controller that generalizes seamlessly across varied target positions, geometries, and inflow speeds without retraining.

文章元数据

  • arXiv ID: arXiv:2606.08405 [cs.AI]
  • 学科分类: 人工智能 (cs.AI); 流体力学 (physics.flu-dyn)
  • 作者:
  • Boai Sun
  • Wenjin Guo
  • Zongmin Yu
  • Liu Yang
  • 提交历史:
  • [v1] Sun, 2026年6月7日
  • [v2] Sun, 2026年8月23日 (本版本)

Article Metadata

  • arXiv ID: arXiv:2606.08405 [cs.AI]
  • Subjects: Artificial Intelligence (cs.AI); Fluid Dynamics (physics.flu-dyn)
  • Authors:
  • Boai Sun
  • Wenjin Guo
  • Zongmin Yu
  • Liu Yang
  • Submission History:
  • [v1] Sun, 7 Jun 2026
  • [v2] Sun, 23 Aug 2026 (this version)

摘要 (英文原文)

虽然数据密集型深度强化学习可以优化复杂的控制策略，但物理系统中的科学控制设计从根本上需要一个可解释的推理链，将物理证据与结构化控制架构连接起来。

在这里，我们提出了一种由大语言模型和迭代代码 generation 驱动的自进化科学智能体工作流，在保持严格的可解释性和严谨的物理推理的同时，自动化控制器的构建。与调整权重不同，该智能体将候选白盒控制器部署到物理仿真中，从多模态证据中积极诊断动态行为，并将这些观测结果转化为逐步的源代码改进。

我们在一个高度非线性的流固耦合问题上展示了该框架：一个欠驱动的两关节角鲨仿生游泳器，其任务是在仅使用关节角加速度的情况下，在非定常流中实现空间目标到达。从一个盲目的推进种子开始，智能体自主设计并完善了一个统一的控制器，能够触达嵌入在非定常四圆柱尾流中的目标。在无需重新训练、重新调参或针对特定案例进行分支的情况下，保留下来的控制器在整个泛化测试矩阵中均实现了目标捕获，涵盖了目标位置、后排几何形状、圆柱数量和来流速度的变化。

可审计的演化日志揭示了一种基于行波推进、机体坐标系方位引导、相位选择性转向、校正爆发和自适应释放的涌现控制架构。我们的结果表明，自主科学智能体能够成功将积累的物理证据转化为稳健、数学上可读的控制策略，同时保持科学控制设计过程的全程可追溯性。

Abstract

While data-intensive deep reinforcement learning can optimize complex control policies, scientific control design in physical systems fundamentally requires an interpretable chain of reasoning that connects physical evidence to structured control architectures.

Here, we present a self-evolving scientific agent workflow, driven by large language models and iterative code generation, that automates controller construction while preserving strict interpretability and rigorous physical reasoning. Instead of adjusting weights, the agent deploys candidate whitebox controllers into physical simulations, actively diagnoses dynamic behaviors from multimodal evidence, and translates these observations into progressive source-code refinements.

We demonstrate this framework on a highly non-linear fluid-structure interaction problem: an underactuated, two-joint dogfish swimmer tasked with spatial target reaching in an unsteady flow using only joint angular accelerations. Starting from a target-blind propulsive seed, the agent autonomously designs and refines a unified controller that reaches a target embedded in an unsteady four-cylinder wake. Without retraining, retuning or case-specific branching, the retained controller achieves target capture across the full generalization test matrix, spanning variations in target position, rear-row geometry, cylinder count and inflow speed.

The auditable evolution log reveals an emergent control architecture built upon travelling-wave propulsion, body-frame bearing guidance, phase-selective steering, corrective burst and adaptive relief. Our results show that an autonomous scientific agent can successfully transform accumulated physical evidence into a robust, mathematically readable control policy, while maintaining a fully traceable process of scientific control design.

访问与资源

Access & Resources