这篇arXiv 2605.07323提出的DoLQ方法，核心亮点在于用LLM多智能体架构（采样器+优化器）来发现常微分方程，而不仅仅是依赖传统的符号回归定量指标。说实话，这方向我一直关注，因为纯数值拟合往往产出“数学上精确但物理上荒谬”的结果。DoLQ引入定性评估（比如领域知识约束）来筛选候选方程，这正好戳中了科学机器学习长期存在的痛点：如何让模型“理解”物理世界的可解释性？
从个人经验看，过去做系统辨识时，即便拟合误差<1%，得到的方程也可能违反能量守恒或因果性。LLM的语义理解能力恰好能充当“物理合理性裁判”，但问题在于：LLM的定性判断是否稳定？我怀疑它可能对噪声敏感，或者过度依赖训练数据中的常见方程形式。
一个值得讨论的技术问题：如果候选方程在数学上等价但物理意义不同（如不同参照系下的表达），LLM能否正确区分？另一个问题：多智能体协作的收敛性如何保证？会不会陷入局部最优？
从行业视野看，DoLQ标志着AI4Science从“纯数据驱动”转向“数据+知识联合驱动”。未来，LLM可能不仅是辅助工具，而是成为科学发现的“共谋者”——但前提是，我们需要更鲁棒的物理约束嵌入方法，而不是依赖LLM的“直觉”。