LLM Agent 自己跑出了一个新架构：EvoPINN 把 PINN 设计变成了自动化搜索

做物理信息神经网络（PINN）的人大多熟悉这个尴尬局面：核心思路很漂亮——把物理方程（PDE）直接嵌进神经网络训练里——但真正用起来，大部分时间花在手动调损失函数、调网络表示、调优化器配置上。科学计算也逃不过炼丹。

今天 arXiv 上挂出来的一篇新工作，方向很有意思：让 LLM Agent 自己去搜 PINN 的执行算法，而且真搜出来一个之前没人写过的新架构。

这篇论文来自 Peng Yin、Kai Li、Yifan Zhang、Jian Cheng，标题叫 EvoPINN: Agentic Discovery of Executable Algorithms for Physics-Informed Neural Networks，7 月 29 日刚提交。

把「试」这件事自动化

PINN 的效果高度依赖人为选择的网络结构、损失函数构造方式和优化策略。这些东西之间相互耦合，调起来是典型的组合爆炸。LLM 虽然能生成代码，但直接让它写 PINN，出来的东西经常数学上就不合法，或者数值上不稳定——科学计算对代码正确性的要求比普通应用代码高得多。

EvoPINN 的做法是把这个问题形式化为一个「可执行的算法发现问题」。它把神经表示和训练程序解耦，构建了一个模块化的搜索空间，然后由一个 LLM Agent 带着过去尝试的记忆，迭代地提出程序修改。每次修改后的候选算法要经过严格的结构验证，再在预算约束下跑 PDE 评估。

这个流程是在让 Agent「做实验」——提假设、跑验证、看结果、再提下一个假设，通过多轮迭代搜索来逼近有效方案。

它确实找到了新东西

EvoPINN 在几类不同的 PDE 上都做了测试：振荡型、椭圆型、耗散型、非线性输运型。结果是可以自动找到针对特定 PDE 类型更有效的学习算法，相对 L2 误差比基线低不少。

其中 SLRC-PINN 是 EvoPINN 自主搜索出来的一个新架构。论文做了严格的参数匹配对比——把参数量、训练预算都拉平之后，SLRC-PINN 的性能优势依然存在，说明改进来自结构层面。

这个 Agent 在搜索空间里找到了一个人之前没写过、但确实更有效的架构。

怎么看这个方向

这篇工作属于一个越来越清晰的趋势：LLM 不只是写代码的工具，也可以当研究助手，帮人在设计空间里搜索。

PINN 这个领域尤其适合——手动试的代价高，组合空间大，评估标准明确（PDE 求解精度），而且容得下「先搜出候选，再用人理解为什么有效」的工作流。

目前看到的还只是 arXiv 上的论文，单篇工作能覆盖的 PDE 类型和问题规模有限。SLRC-PINN 的实际通用性、在不同硬件和框架下的可迁移性，还需要更多验证。但方向本身是实的——用 execution-grounded 的 Agent 做科学计算算法发现，这条路应该还会有人跟进。

做 PINN 或者科学计算相关工作的人，这篇值得翻一下 PDF。论文在 arXiv 上，ID 是 2607.26490。它解决的是下周调模型时就可能碰上的困境。