利用预训练大语言模型进行物理信息符号回归的知识集成
TLDR
利用预训练大语言模型将领域知识集成到符号回归损失函数中，提升物理动力学方程发现能力。
评分理由
The paper presents a novel method using LLMs to automate knowledge integration in physics-informed symbolic regression, with empirical validation across multiple algorithms and dynamics. Strengths include clear methodology and consistent improvements; weaknesses include limited scope of dynamics and potential lack of generalizability.
Read-first 评分解释
综合优先阅读分 48.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 47。
研究版图角色
前沿论文桥接论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：16。
关键词评分
深度分析
创新点
- 利用预训练大语言模型在物理信息符号回归中实现自动化领域知识集成
- 将大语言模型评估作为额外项纳入符号回归损失函数
- 通过提示工程优化大语言模型对方程发现的引导
方法
将大语言模型集成到符号回归损失函数中，添加一项对生成方程的评估。该方法使用三种符号回归算法（DEAP、gplearn、PySR）和三种预训练大语言模型（Falcon、Mistral、LLama 2）在三个物理动力学（落球、简谐运动、电磁波）上进行测试。
关键结果
大语言模型集成一致地改善了从数据中重建物理动力学的能力，增强了对噪声和复杂性的鲁棒性。信息更丰富的提示显著提升了性能。