Проблема ручного инжиниринга в PINN
Физико-информированные нейронные сети (PINN) стали мощным инструментом для решения дифференциальных уравнений в частных производных (PDE). Однако их эффективность критически зависит от ручного подбора: архитектуры, функций потерь и динамики оптимизации. Традиционный метод проб и ошибок требует глубокой экспертизы и часто приводит к нестабильным решениям. Прямая генерация кода большими языковыми моделями (LLM) без ограничений часто выдает математически некорректные алгоритмы, непригодные для научных вычислений.
Решение: EvoPINN как агент открытий
Команда исследователей во главе с Пэном Инем (Peng Yin) предложила фреймворк EvoPINN. Он трансформирует разработку PINN в задачу обнаружения алгоритмов, основанную на исполнении кода. Ключевая особенность — разделение нейронных представлений и программ обучения. LLM-агент предлагает модификации, учитывающие состояние памяти, которые затем проходят строгую структурную верификацию и оценку на реальных PDE с учетом вычислительного бюджета.
Главное достижение: SLRC-PINN
Система не просто нашла лучшие гиперпараметры, а автономно изобрела новую архитектуру — SLRC-PINN. В сравнении с базовыми моделями при параметрически выверенных условиях (parameter-matched comparisons) SLRC-PINN демонстрирует устойчивое снижение относительной ошибки $L_2$. Это доказывает, что агенты могут открывать genuinely new scientific computing mechanisms, а не просто перебирать существующие.
Результаты на различных режимах PDE
Эксперименты проводились в разнообразных режимах, что подтверждает универсальность подхода. EvoPINN успешно справляется с осцилляторными, эллиптическими, диссипативными задачами и нелинейным переносом.
| Режим PDE | Особенность задачи | Результат EvoPINN |
|---|---|---|
| Осцилляторные | Высокочастотные колебания | Значительное снижение ошибки $L_2$ |
| Эллиптические | Стационарные поля | Улучшенная сходимость |
| Диссипативные | Затухание энергии | Стабильность решения |
| Нелинейный перенос | Сложная динамика переноса | Превосходство над базовыми методами |
Значение для науки
Работа закрывает разрыв между генеративным ИИ и строгими научными вычислениями. Использование «execution-grounded» (основанного на исполнении) подхода гарантирует, что предложенные алгоритмы не только красивы в коде, но и математически валидны. Это открывает путь к автоматизации открытия новых методов решения сложных физических задач.
Источник: arXiv cs.AI ↗