Agentic Exploration of Physics Models
Maximilian Nägele, Florian Marquardt
科学发现的过程依赖于观察、分析和假设的相互作用。 机器学习越来越多地被采用来解决这一过程的各个方面。 然而,通过实验和分析探索未知系统的规律,而不根据给定任务的具体情况,在不根据给定任务的具体情况调整方法的情况下,完全自动化开放,启发式,迭代循环仍然是一个开放的挑战。 在这里,我们介绍了SciExplorer,一种利用大型语言模型工具使用功能的代理,可以在没有任何领域特定蓝图的情况下自由形式地探索系统,并将其应用于原型最初未知的物理系统的探索。 我们在广泛的模型上测试SciExplorer,这些模型跨越机械动力学系统,波演化和量子多体物理。 尽管使用一组最小的工具,主要基于代码执行,但我们观察到任务中令人印象深刻的性能,例如从观察到的动力学中恢复运动方程并从期望值中推断哈密尔顿人。 这种设置的证明有效性为其他领域的类似科学探索打开了大门,而无需微调或特定任务的说明。
The process of scientific discovery relies on an interplay of observations, analysis, and hypothesis generation. Machine learning is increasingly being adopted to address individual aspects of this process. However, it remains an open challenge to fully automate the heuristic, iterative loop required to discover the laws of an unknown system by exploring it through experiments and analysis, without tailoring the approach to the specifics of a given task. Here, we introduce SciExplorer, an agent ...
