PulseAugur
中
实时 19:50:38
English(EN) Physics-Audited Agentic Discovery in Scientific Machine Learning

新的PA-SciML工作流程验证了代理SciML发现中的物理合规性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种名为物理审计的科学机器学习（PA-SciML）的新工作流程，旨在提高大型语言模型（LLM）代理发现的科学机器学习（SciML）模型的可靠性。这种优先验证的方法确保发现的代理模型不仅最小化误差指标，而且还遵守基本物理原理，如因果关系和边界条件。在计算固体力学示例中，PA-SciML成功识别了通过物理检查的模型，即使标准的仅误差基线在关键因果关系测试中失败。 AI

影响 通过确保遵守物理定律来增强AI生成的科学模型的可靠性。

排序理由 该集群包含一篇详细介绍科学机器学习新方法的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的PA-SciML工作流程验证了代理SciML发现中的物理合规性

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Diab W. Abueidda, Bilal Ahmed, Panos Pantidis, Mostafa E. Mobasher ·

    物理学审计的科学机器学习中的代理发现

    arXiv:2607.07379v1 Announce Type: new Abstract: In agentic scientific machine learning (SciML), large language model (LLM) agents can discover surrogate models and select one by an automated score, typically an error metric. A low error, however, does not establish that the predi…

  2. arXiv cs.AI TIER_1 English(EN) · Mostafa E. Mobasher ·

    物理学审核的科学机器学习中的代理发现

    In agentic scientific machine learning (SciML), large language model (LLM) agents can discover surrogate models and select one by an automated score, typically an error metric. A low error, however, does not establish that the predicted fields satisfy the physics that matter for …

相关实体

相关话题