ADAPT for Science：自演化科学优化的多智能体框架

arXiv (Cornell University) · 2026-10-22 · 预印本

• 一句话结论：该预印本提出多智能体框架 ADAPT for Science，在引力波探测器设计任务上，于同等科学评价预算下取得比最优经典优化器低 54.9% 的损失；属计算基准研究，证据档位 C。
• 研究设计与做法：设计为方法提出与基准比较：以可微物理模拟器进行探测器设计，并在八个未见过的探测器拓扑上评测；对照为最佳经典优化器与最佳通用智能体演化基线，评价预算匹配；材料未报告随访时长（该设计不适用）。
• 主要结果：主要结果：ADAPT 平均损失 0.204±0.101，相对最佳经典优化器降低 54.9%，相对最佳通用智能体演化基线降低 62.2%，并在全部未见拓扑上取得所评估基线中的最低损失；材料未报告置信区间与 p 值。
• 机制或解释：作者解释称，该方法将科学优化拆为「在哪里搜索」与「如何搜索」两个耦合决策，利用历史设计确定多样且有前景的初始条件，逐步将算力集中于有利搜索方向，并依据执行反馈演化优化过程。
• 局限与边界：局限与边界：仅在单一可微模拟的探测器设计任务上评测，未涉及真实实验或湿实验验证；材料未报告利益冲突、计算资源规模与超参数敏感性分析，向其他科学领域外推需谨慎。
• 可否落地：可否落地：对受约束、评价昂贵的科学设计优化属「提示」级，尚不足以下结论其普适有效；科研上可作为优化流程的候选方案，临床无直接含义。

🔗 打开原文

Zhaoran Feng, Yuchen Ni, Jianan Liu 等

本文摘自《每日前沿研究简报 · 2026-10-28》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。