AutoPDEBench

数据集分析

偏微分方程（PDE）对于建模复杂物理系统至关重要，神经求解器最近已成为对其进行数值求解的强大数据驱动工具。然而，现有的神经求解器难以应对领域特定的挑战，例如参数变化和高速流动，因此需要专门的架构。手动设计这些专门的求解器架构是一个高度迭代、耗时的过程，需要深厚的专业知识，这成为科学发现中的一个重大瓶颈。我们提出利用自主AI研究智能体来自动化专业求解器的合成。为此，我们引入AutoPDEBench，一个专为LLM驱动的PDE求解器自动研究而设计的基准。该基准包含25个具有挑战性的数据集，涵盖新颖且被积极研究的物理场景。我们评估了一系列通用模型（基于Transformer、ROM和图的方法）以及迭代自动研究流水线的多智能体实例化，后者作为智能体基线。实验结果表明，迭代自动研究系统显著优于通用神经求解器基线。我们的发现证明了使用AI智能体自动为复杂物理系统设计神经求解器的可行性。AutoPDEBench为加速物理学和工程学中智能体驱动的科学发现提供了一个基础测试平台。