EvoPINN: un agente LLM automatizza la progettazione di reti neurali informate dalla fisica
I ricercatori hanno introdotto EvoPINN, un nuovo framework che sfrutta un Large Language Model (LLM) per creare autonomamente algoritmi per reti neurali informate dalla fisica (PINN). Sebbene le PINN siano efficaci nel risolvere equazioni differenziali alle derivate parziali (PDE), richiedono tipicamente un'estesa ingegneria manuale delle rappresentazioni neurali, delle funzioni di perdita e dei processi di ottimizzazione. EvoPINN trasforma questa sfida in un compito di scoperta di algoritmi basato sull'esecuzione, separando le rappresentazioni neurali dalle routine di addestramento. Un agente LLM suggerisce iterativamente modifiche basate sulla memoria all'interno di un framework di ricerca modulare, garantendo l'integrità scientifica scartando soluzioni matematicamente non valide o numericamente instabili. Questo approccio mira ad automatizzare il processo di progettazione precedentemente laborioso. L'articolo di ricerca è disponibile su arXiv con l'identificatore 2607.26490.
Fatti principali
- EvoPINN è un framework agente per la progettazione automatizzata di PINN.
- Utilizza un agente LLM per proporre modifiche programmatiche.
- Le PINN risolvono PDE ma richiedono ingegneria manuale.
- Il framework disaccoppia le rappresentazioni neurali dai programmi di addestramento.
- Garantisce la validità scientifica rifiutando soluzioni non valide.
- Lo spazio di ricerca è modulare e condizionato dalla memoria.
- L'articolo è su arXiv: 2607.26490.
- Affronta vincoli nel calcolo scientifico.
Entità
Istituzioni
- arXiv