SR-Scientist：使用代理人工智能进行科学方程发现

近年来，大型语言模型（LLMs）已应用于科学方程发现，利用其内置的科学知识进行假设生成。然而，目前的方法通常将 LLMs 限制在遗传编程等搜索算法中方程提出者的角色。在本文中，我们提出了 SR-Scientist，一个将 LLM 从简单的方程提出者提升为能够编写代码分析数据、将方程实现为代码、提交评估并根据实验反馈优化方程的自主人工智能科学家的框架。具体来说，我们将代码解释器封装为一组用于数据分析和方程评估的工具。该代理被指示在长期内利用这些工具优化方程，并最大限度地减少人工定义的管道。实证结果表明，SR-Scientist 在涵盖四个科学领域的数据集上，比基线方法高出 6% 到 35% 的绝对优势。此外，我们还展示了我们方法对噪声的鲁棒性、所发现方程对域外数据的泛化能力以及它们的符号准确性。此外，我们还开发了一个端到端的强化学习框架来增强代理的能力。