物理与 AI for Science
突破级
有讲解视频
收录解读
偏微分方程是科学计算和工程建模的基础，但设计稳定、准确且高效的数值求解器通常需要较强的数学背景和大量人工调参。本文关注的问题不是再训练一个黑盒神经求解器，而是让 AI 从自然语言描述出发，自动完成数值方法设计、实现、调试和验证，从而降低科学计算的门槛。
作者提出 AutoNumerics，一个面向 PDE 的多智能体流水线。系统强调使用经典数值分析方法而非纯神经网络近似，并加入 coarse-to-fine 执行策略和 residual-based self-verification 机制，用来自动检查求解器是否满足方程结构和数值残差要求。它的重点不只是“生成代码”，而是把方案选择、调试和验证组织成一个自治但可审计的流程。
这篇论文适合仓库的 AI×物理 / AI×科学计算主线。它和 QUASAR、BEACONS 这类条目相近，代表的是“AI 作为科学工作流构造器”而非单一模型。对 PDE 求解、自动数值分析、科学计算辅助系统都有外溢价值，尤其适合放在 scientific computing automation 这条子线里。
它目前归为突破性而不是更高一级，原因是证据虽然扎实，但影响范围仍主要集中在 PDE 数值求解与多智能体科学流水线上，尚未形成像 AlphaEvolve 那样的路线重排效应。它更像一篇很强的科学计算自治系统论文，而不是范式级总纲领成果。