Ma ZhenYao, Yue Liang, Jian-Qiao Zhu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28562 · open-access PDF
Viele wissenschaftliche Phänomene werden am besten als Ergebnisse der zugrunde liegenden Optimierungsprobleme verstanden, aber die automatisierte wissenschaftliche Entdeckung hat sich weitgehend auf die Wiederherstellung von Gleichungen konzentriert, die beobachtete Eingabe-Ausgabe-Muster beschreiben. Wir stellen OptScientist vor, einen neuen automatisierten Rahmen für die Entdeckung kompakter symbolischer Optimierungsgesetze direkt aus den Daten. OptScientist umfasst (i) ein Modell, das symbolische Optimierungsprobleme einleitet, indem er zuerst lernt, Daten als Optimierungsproblem darzustellen, und dann seine symbolische Form extrahiert, und (ii) ein LLM-Agentensystem, das das Modell in einen Entdeckungsprozess einbaut
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