Lang-PINN：通过多代理框架从语言到物理信息神经网络

arXiv:2510.05158v1 公告类型：新 摘要：物理信息神经网络（PINN）为求解偏微分方程（PDE）提供了一种强大的方法，但构建可用的 PINN 仍然是劳动密集型且容易出错。科学家必须将问题解释为偏微分方程公式、设计架构和损失函数，并实施稳定的训练流程。现有的基于大语言模型（LLM）的方法解决了孤立的步骤，例如代码生成或架构建议，但通常假设已经指定了正式的偏微分方程，因此缺乏端到端的视角。我们推出了 Lang-PINN，这是一种由 LLM 驱动的多智能体系统，可直接根据自然语言任务描述构建可训练的 PINN。 Lang-PINN 协调四个互补代理：将任务描述解析为符号 PDE 的 PDE 代理、选择架构的 PINN 代理、生成模块化实现的代码代理以及执行和诊断迭代细化错误的反馈代理。此设计将非正式的任务语句转换为可执行且可验证的 PINN 代码。实验表明，与竞争基线相比，Lang-PINN 实现了显着更低的错误和更高的鲁棒性：均方误差 (MSE) 降低了多达 3--5 个数量级，端到端执行成功率提高了 50% 以上，时间开销减少了多达 74%。