物理评论X：物理模型探索智能体——Sciexplorer

导语

马克斯·普朗克光科学研究所的研究团队于2026年7月8日在 Physical Review X 发表论文，提出基于大语言模型的科学探索智能体 Sciexplorer。无需针对具体任务预设求解流程，它便能自主组织“数值实验—数据分析—假设生成—模型验证”的迭代循环，从有限观测出发，重构经典力学、波动系统和量子多体系统的底层数学模型。

关键词：科学智能体、物理模型、假设生成、数值实验、模型重构

郭瑞东丨作者

赵思怡丨审校

论文题目：Agentic Exploration of Physics Models 论文链接：https://journals.aps.org/prx/abstract/10.1103/xnqc-q6nt 发表时间：2026年7月8日 论文来源：Physical Review X

自主探索并重构物理模型的智能体

Sciexplorer旨在让大模型像科学家一样，仅凭通用任务指令和一组基础工具，自主探索未知物理系统。这里的“实验”主要指通过接口设置初始条件、调用数值模拟并获取观测数据，而非直接操作真实实验装置。

接到任务后，Sciexplorer会自主规划探索步骤，选择数值实验、分析观测数据并提出候选模型，同时编写代码完成数据处理、参数拟合和结果可视化。历次实验与分析结果会被保存在外部记忆中，供后续调用。根据每一步获得的新信息，智能体动态决定下一次实验的条件或需要执行的分析方法，由此形成“实验—分析—假设—验证”的迭代循环。

为检验候选模型，Sciexplorer还会编写代码模拟系统的时间演化，并将预测结果与观测数据进行比较。当智能体判断已有信息足以回答问题时，探索循环结束。最终，它会输出一个用于模拟系统动力学的 Python 函数，其中包含推断出的控制方程，并对探索过程和所得模型作出结构化总结（图1）。

图1：Sciexplorer的工作全流程

图2进一步展示了Sciexplorer在单步执行中与工具集、外部记忆（External Memory）之间的数据流转。获得用户提供的任务描述和工具API文档后，Sciexplorer即可开始自主探索。每一步中，智能体先确定当前目标，再选择相应工具并设置调用参数。工具从集中的外部记忆中读取此前积累的实验与分析结果，并将新产生的数据写回其中，供后续步骤调用。

工具通常以纯文本形式向智能体返回结果。对于大型数值数组，系统只返回其数据类型和尺寸，完整数据则保存在外部记忆中，以避免占用过多上下文空间；如果生成了可视化结果，图像会直接交由具备多模态能力的智能体分析。当Sciexplorer判断任务已经完成并调用Save_result工具后，探索循环终止，系统随后对探索过程及最终得到的模型进行结构化总结。

图2：Sciexplorer的系统架构与底层工作流

跨领域重构物理模型

研究者首先让Sciexplorer观察黑盒动力学系统的演化，并从轨迹数据中推断运动方程。探索过程中，智能体通常先对数据进行可视化，以判断系统是否呈现线性或非线性特征，以及是否存在对称性和吸引子；随后构建候选微分方程的基函数，再通过稀疏线性回归或数值拟合确定方程结构及其参数。

研究设置了最多包含10个粒子的二维动力学系统。粒子可能受到固定势场作用，也可能存在两两相互作用。Sciexplorer只能观测部分粒子的运动轨迹，并且事先不知道隐藏粒子的数量。因此，它不仅需要推断系统的运动方程，还要估计隐藏粒子的数量、初始位置和速度。在这一过程中，Sciexplorer会主动检验能量和角动量是否守恒，以排除不符合系统动力学的候选模型；面对振荡系统时，它还会通过傅里叶变换估计特征频率，为后续参数拟合提供初始值。

值得注意的是，当所有候选方程都无法完全复现真实动力学时，Sciexplorer并不总是选择拟合误差最小的模型，而会进一步考察模型能否再现系统的定性行为。例如，与仅在已有数据上取得较高拟合精度相比，它更看重候选模型能否正确预测有界轨迹与无界轨迹。由此可见，其模型选择不仅依据局部数值误差，也会参考系统整体动力学的一致性。

第二类任务涉及波与场的动力学，包括非线性薛定谔方程等系统。在每次数值实验中，Sciexplorer可以自主设置初始场，并根据场的后续演化调整实验条件（图3a）。图3b比较了真实模型与Sciexplorer重构模型的动力学：左图对应带有约束势（confining potential）的线性薛定谔方程，右图对应紧束缚晶格中包含次近邻跃迁（next-nearest-neighbor，NNN hopping）的复金兹堡–朗道方程。

图3：波与场的动力学的动力学预测

图3c汇总了Sciexplorer在不同波与场系统中的表现，包括含外势、长程耦合等多种设定，每种设定均进行了6次独立探索。结果显示，除一个场景外，Sciexplorer在其余场景中都至少有一次成功恢复出真实模型。唯一未能成功的任务来自一个人为构造的非典型系统，其形式明显偏离常见物理模型。这一结果提示，Sciexplorer的探索能力仍在一定程度上依赖大模型从预训练语料中获得的物理先验：面对标准或相近的模型结构时，这些知识能够有效引导假设生成；当目标系统显著偏离已有物理模型时，启发式搜索的效率和成功率便会下降。

第三类任务来自量子多体物理（quantum many-body physics），要求Sciexplorer根据测量数据重构自旋系统的哈密顿量。结果表明，它能够识别横场Ising模型、Heisenberg模型和Dzyaloshinskii–Moriya相互作用等常见结构。探索过程中，Sciexplorer利用短时动力学数据排除不符合观测的候选假设，并通过系统探测对称性与边界条件，逐步确定哈密顿量的结构和参数。在包含可调参数的任务中，它还能追踪系统随参数变化的行为，并据此绘制相图。

小结

Sciexplorer展示了一种由大语言模型驱动的通用科学探索框架。用户只需提供任务描述和少量系统信息，无需预先指定具体的求解流程，智能体便可调用代码分析、数值模拟和可视化工具，自主组织多轮“实验—分析—假设—验证”。借助这一框架，Sciexplorer能够跨越经典力学、波与场以及量子多体物理，从动力学观测中恢复运动方程，或根据测量期望值重构单一哈密顿量乃至随参数变化的哈密顿量族。

不过，这项研究中的“实验”仍主要在预设的数值环境中进行，尚未涉及对真实实验装置的自主控制。系统的表现也在一定程度上依赖大模型预训练中获得的物理知识：面对常见模型时，这些先验有助于快速生成有效假设；面对显著偏离已知规律的非典型系统时，其探索效率和成功率则会下降。此外，部分任务需要经过多次独立尝试才能成功恢复真实模型，说明其稳定性和可复现性仍有提升空间。

实验选择、数据分析和假设生成之间的迭代循环并非物理学独有，而是自然科学研究的共同环节。由于这一框架无需针对每项任务单独微调，未来有望扩展到其他可通过代码接口开展实验的领域，例如研究生物系统中的捕食者—猎物动力学，或化学反应中的非平衡过程。但要从数值模型验证进一步走向真实科学发现，还需要解决实验接口接入、噪声与不确定性处理，以及结果可靠性验证等问题。

世界模型读书会

目前，世界模型并非边界明确的单一技术范式。强化学习、生成模型、认知科学、具身智能与复杂系统等领域，对“世界”“状态”及其动力学机制有着不同理解。世界模型究竟应预测感知信号、学习隐空间中的状态转移，还是刻画行动、物理约束与因果关系？预测能力又如何转化为有效的规划、决策和行动？这些问题仍有待系统梳理。

为此，集智俱乐部联合认知科学、具身智能、AI Agent、复杂系统与高阶网络等领域的研究者发起，围绕世界模型的思想源流、理论基础、技术路线与应用边界展开专题分享和讨论。读书会自2026年8月7日起，每周五晚19:30-21:30，将以“世界如何被表征、其动力学如何被建模、内部模型如何服务于智能体”为主线，尝试讨论整理世界模型统一框架。

详情请见：

1.

2.

3.

4.

5.

6.

7.

#速递