跳转至

文章背景与核心概要

从观测数据中发现底层的控制偏微分方程（PDE）是各个科学领域中的一项核心挑战。传统的科学方法（如稀疏回归、符号回归以及早期的纯大语言模型技术）往往受制于诸多限制，例如刚性的预定义函数库、对噪声的敏感性、模型幻觉以及缺乏迭代修正机制。

为了克服这些痛点，本文作者推出了 MAGE（Multimodal Agentic Governing Equation Discovery，多模态智能体控制方程发现框架）。受经典科学方法论（即观察、假设与证伪）的启发，MAGE 将偏微分方程的发现过程构建为一个由置信度驱动的假设验证循环，显著提升了方程发现的准确性与鲁棒性。

看见、假设与验证：用于发现控制偏微分方程的多模态智能体框架

arXiv ID: arXiv:2608.27869 [cs.AI]
DOI: 10.48550/arXiv.2608.27869
提交时间: 2026年8月28日
主要学科: 人工智能 (cs.AI)
作者: Sarang Manoj Pekhale, Amartya Roy, Rajat Sarkar, Souvik Chakraborty

📌 总结 (Summary)

Discovering governing partial differential equations (PDEs) from observational data is a fundamental challenge across scientific domains. Traditional approaches—such as sparse-regression, symbolic-regression, and early Large Language Model (LLM) techniques—frequently suffer from limitations such as rigid predefined libraries, noise sensitivity, hallucinations, and a lack of iterative refinement.

To overcome these issues, the authors introduce MAGE (Multimodal Agentic G}overning Equation Discovery). Inspired by the scientific method (observation, hypothesis, and falsification), MAGE frames PDE discovery as a confidence-governed hypothesis validation loop**.

从观测数据中发现底层的控制偏微分方程（PDE）是科学领域的一项基本挑战。传统方法（如稀疏回归、符号回归和早期的大语言模型（LLM）技术）经常受到诸如刚性预定义函数库、对噪声敏感、产生幻觉以及缺乏迭代改进等限制。

为了克服这些问题，作者引入了 MAGE（Multimodal Agentic Governing Equation Discovery，多模态智能体控制方程发现框架）。受科学方法（观察、假设和证伪）的启发，MAGE 将 PDE 的发现过程构建为一个由置信度控制的假设验证循环。

🔬 MAGE 框架 (The MAGE Framework)

MAGE orchestrates four role-specialized collaborative agents to discover governing laws library-free:

  1. Differential Observer: Computes derivatives and generates essential diagnostic visualizations.
  2. Phenomenology Extractor (VLM-powered): Distills qualitative insights and cues directly from multimodal diagnostics.
  3. Governing Law Synthesizer (LLM-driven): Proposes candidate equations without relying on a predefined library.
  4. Equation Arbiter: Fits coefficients and assigns confidence scores to hypotheses.

Discovery proceeds iteratively via an explicit accept-reject protocol until the top candidate clears a user-specified confidence threshold.

MAGE 协调四个角色各异的协作智能体，在无需预定义函数库的情况下发现控制规律：

  1. 微分观察器（Differential Observer）： 计算导数并生成必要的诊断可视化图表。
  2. 现象学提取器（Phenomenology Extractor，由 VLM 驱动）： 直接从多模态诊断结果中提炼定性见解和线索。
  3. 控制律综合器（Governing Law Synthesizer，由 LLM 驱动）： 在不依赖预定义函数库的前提下提出候选方程。
  4. 方程仲裁器（Equation Arbiter）： 拟合系数并为假设分配置信度分数。

发现过程通过显式的接受-拒绝协议进行迭代，直至最佳候选方程达到用户指定的置信度阈值。

📊 核心结果 (Key Results)

  • Exact Structural Recovery: Achieved 8/8 exact structural recovery on the evaluated canonical PDE suite.
  • Coefficient Accuracy: Delivered the lowest coefficient error among compared methods on 7/8 systems, achieving improvements of up to 4 orders of magnitude (with a geometric-mean improvement of ~3 orders of magnitude).
  • Complex Geometries & Real-World Data: Successfully recovered expected operators across two complex geometries and selected a cubic restoring-force model with a held-out \(R^2 = 0.98538\) on a real laboratory sensor record.
  • 精确结构恢复： 在评估的标准 PDE 测试集上实现了 8/8 的精确结构恢复。
  • 系数准确性： 在 7/8 的系统中实现了对比方法中最低的系数误差，实现了高达 4个数量级 的提升（几何平均提升约为 3 个数量级）。
  • 复杂几何与真实世界数据： 成功在两种复杂几何结构中恢复出预期的算子，并在真实的实验室传感器记录上挑选出了保留测试集 \(R^2 = 0.98538\) 的三次恢复力模型。

🔗 全文与访问链接 (Full-Text & Access Links)

🌐 参考文献与外部工具 (References & External Tools)