Ma ZhenYao, Yue Liang, Jian-Qiao Zhu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28562 · open-access PDF
يتم فهم العديد من الظواهر العلمية بشكل أفضل كمنتج عن نتائج مشكلات التحسين الأساسية، ولكن اكتشافات علمية تلقائيا تركز بشكل كبير على استرداد المقاصد التي تعبر عن نموذجات الدخول والخروج الملاحظة. نحن نقدم OptScientist، إطارًا تلقائيًا جديدًا لتحديد قوانين التحسين الضوئي المزدوجة مباشرة من البيانات. OptScientist يتكون من (i) نموذج يعتمد على مشكلات التحسين الضوئي من خلال التعلم أولاً لتشكيل البيانات كشكل مشكلة التحسين ثم استخراج شكلها الضوئي، و (ii) نظام أخصائي LLM يدمج النموذج في عملية اكتشاف
Machine translation (Meta M2M100); the English original follows.
Many scientific phenomena are best understood as outcomes of underlying optimization problems, yet automated scientific discovery has largely focused on recovering equations that describe observed input-output patterns. We introduce OptScientist, a novel automated framework for discovering compact symbolic optimization laws directly from data. OptScientist comprises (i) a model that infers symbolic optimization problems by first learning to represent data as an optimization problem and then extracting its symbolic form, and (ii) an LLM agentic system embedding the model in a discovery process
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28562, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange