最近arxiv上这篇文章很有意思，提出了DoLQ方法，利用LLM的多智能体架构来做常微分方程发现。技术上，它不止关注定量拟合，还引入定性评估，比如物理合理性、可解释性等。这其实戳中了很多符号回归方法的痛点：单纯靠MSE或R²选出的方程，往往在边界行为或长期演化上完全不靠谱。从我个人经验看，在流体力学和生物动力系统建模中，领域知识对候选方程的约束作用远比数值精度重要。DoLQ的采样器-优化器-评估器架构，其实把LLM当作一个知识驱动的候选生成器，而非纯粹的黑箱拟合器。这让我想起去年用GPT-4辅助发现SIR模型变体时，它确实能给出一些有物理直觉的候选形式，但当时缺乏系统化的定性评估。我认为DoLQ的贡献在于把“定性+定量”的评估流程化，但挑战也很明显：LLM的领域知识是否有偏差？尤其在稀有方程或极端参数下，LLM的强先验会不会反而限制探索？另外，多智能体间的通信成本与收敛性如何平衡？值得讨论。从行业趋势看，这可能是LLM辅助科学发现从“花哨demo”走向“可靠工具”的关键一步，尤其在与仿真2.0或数字孪生结合时，能大幅减少人工试错。推荐大家细读原文，尤其是定性评估的评分函数设计。

技术分析 #实践经验