Ma ZhenYao, Yue Liang, Jian-Qiao Zhu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28562 · open-access PDF
Nhiều hiện tượng khoa học được hiểu rõ nhất là kết quả của các vấn đề tối ưu hóa cơ bản, tuy nhiên, khám phá khoa học tự động đã tập trung chủ yếu vào việc phục hồi các phương trình mô tả các mô hình đầu vào và đầu ra quan sát. Chúng tôi giới thiệu OptScientist, một khung tự động mới để khám phá các luật tối ưu hóa biểu tượng nhỏ gọn trực tiếp từ dữ liệu. OptScientist bao gồm (i) một mô hình dẫn ra các vấn đề tối ưu hóa biểu tượng bằng cách đầu tiên học cách đại diện cho dữ liệu như một vấn đề tối ưu hóa và sau đó trích xuất hình thức biểu tượng của nó, và (ii) một hệ thống đại lý LLM nhúng mô hình trong một quá trình khám phá
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