Краткое содержание

arXiv:2511.07262v1 Тип объявления: кросс Аннотация: Научное машинное обучение (SciML) объединяет данные, полученные на основе наблюдений, с физическими моделями для решения сложных проблем науки и техники. Однако проектирование архитектур SciML, формулировка функций потерь и стратегии обучения остаются экспертно-ориентированным исследовательским процессом, требующим обширных экспериментов и специфичных знаний о решаемой задаче. В данной работе мы представляем AgenticSciML — систему коллективного взаимодействия множества агентов, в которой свыше десяти специализированных ИИ-агентов сотрудничают друг с другом, предлагая, критикуя и совершенствуя решения SciML посредством структурированного рассуждения и итерационной эволюции. Предложенная архитектура интегрирует структурированные дебаты, память методов с поддержкой поиска и эволюционный поиск на основе ансамблевого подхода, позволяя агентам выдвигать и оценивать новые гипотезы относительно архитектуры моделей и процедур оптимизации. По результатам выполнения задач физического моделирования и операторного обучения предложенный подход позволяет находить методы решений, превосходящие результаты одиночных агентов и разработанные человеком базовые подходы.