PhysMaster：构建自主AI物理学家进行理论和计算物理研究

arXiv 2025 56.6 method

TLDR

PhysMaster是基于LLM的自主物理学家，融合推理与计算，采用自适应探索。

评分理由

The paper proposes a novel agent that combines abstract reasoning with numerical computation and a structured knowledge base (LANDAU) to tackle open-ended physics problems. Strengths include addressing real scientific challenges and demonstrating acceleration, automation, and autonomous discovery. Weaknesses are the domain-specific focus and lack of detailed evaluation metrics or baselines in the abstract.

Read-first 评分解释

综合优先阅读分 56.6，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 79。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

主题相关性 42%

65.8

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：114。

关键词评分

autonomous research agent

AI scientist

automated scientific discovery

scientific discovery agent

automated research

AI for scientific research

research automation

automated experimentation

literature review agent

experiment design agent

survey generation

paper writing agent

深度分析

创新点

PhysMaster：基于LLM的自主代理，用于理论和计算物理研究
将抽象推理与数值计算相结合
LANDAU（分层学术数据宇宙）保存文献、先验知识和方法论痕迹
自适应探索策略，平衡效率与开放式探索，适用于超长周期任务

方法

PhysMaster是一个基于LLM的智能体，它将抽象推理与数值计算相结合，使用LANDAU系统存储检索到的文献、整理的知识和经过验证的痕迹，并采用自适应探索策略。它在高能理论、凝聚态理论和天体物理学的物理问题上进行了评估，展示了加速、自动化和自主发现的能力。

关键结果

PhysMaster将数月的研究压缩至数小时，自主执行假设驱动循环，并独立探索物理学中的开放问题。

技术栈

LLMLANDAUAdaptive exploration

资源

论文