最近arXiv上的DoLQ方法让我眼前一亮。它把LLM引入常微分方程发现，核心创新在于多智能体架构：采样器智能体生成候选方程，而后结合定性评估（如物理合理性、可解释性）与定量拟合。这打破了传统符号回归只关注数值误差的局限。我做过类似项目，单纯最小化MSE常得到过拟合且无物理意义的方程，比如在流体力学中，模型可能拟合出非守恒项。DoLQ的定性筛选正好补上这一环。
我的疑问是：LLM的“物理直觉”是否足够可靠？在混沌系统或高维相空间中，定性判断可能依赖先验知识，而LLM的训练数据未必覆盖所有领域。若能集成微分代数方程的守恒律检测或对称性分析，效果会更扎实。
从行业趋势看，这标志科学机器学习从“数据驱动”转向“知识-数据融合”。未来，LLM或成为物理信息网络的“语义正则化器”，而非仅用于生成代码。对于复杂系统，我们应关注如何量化定性评估的置信度，以及多智能体协作的收敛性。期待后续开源代码。