Ma ZhenYao, Yue Liang, Jian-Qiao Zhu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28562 · open-access PDF
多くの科学的現象は、ベースの最適化の問題の結果として最もよく理解されていますが、自動化された科学的発見は、観測された入力出力パターンを記述する方程式の回復に焦点を当てています OptScientistは、データから直接コンパクトな象徴的最適化の法則を発見するための新しい自動化フレームワークです OptScientistは、(i)最初にデータを最適化の問題として表現することを学び、そのシンボル形式を抽出することによって、象徴的な最適化の問題を推移するモデル、および(ii)発見プロセスにモデルを埋め込むLLMエージェントシステムを含みます。
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