Trzy agenty AI w jednym laboratorium: jeden planuje architekturę, drugi ją trenuje, trzeci recenzuje. Do tego mechanizm cytowań, który nagradza najlepszych – tak wygląda agentowa społeczność naukowa zbudowana przez Luisa Loo i Ulissesa Braga-Neto do automatycznego odkrywania operatorów neuronowych. Planiści w 99,8% decyzji wybierają fuzje różnych rodzin architektur, a bez udziału modeli językowych cały ekosystem traci różnorodność i zapada się do najprostszych stosów.
Wirtualne laboratorium z trzema agentami
Autorzy stworzyli rój wirtualnych laboratoriów. Każde to trójka współpracujących agentów: planista LLM, który z ustalonego słownika bloków (DeepONet, Fourier, Transformer, falkowy i resztkowy konwolucyjny) składa architekturę operatora neuronowego; pracownik numeryczny, który trenuje tę architekturę na konkretnym problemie różniczkowym i mierzy błąd; oraz recenzent LLM, który analizuje wyniki i wystawia ocenę, jak w recenzji naukowej. Wszystkie laboratoria podlegają ekonomii wpływu opartej na cytowaniach – jeśli architektura okazuje się skuteczna, laboratorium zyskuje prestiż, a gdy prestiż rośnie, może zakładać nowe laboratoria, które podążają za jego kierunkiem badawczym. Te o niskiej wydajności są usuwane. To przypomina rywalizację grup badawczych, tyle że bez ludzkich naukowców.
W eksperymentach przetestowano społeczność na pięciu różnych problemach: regresji przedziałowej, liniowej adwekcji 1D, równaniu Burgersa 1D, przepływie Naviera-Stokesa 2D i przepływie Darcy'ego 2D. Każdy problem miał trzy powtórzenia, a wszystkie 9623 wywołania LLM zostały zarejestrowane i poddane audytowi – dzięki temu autorzy mogli zajrzeć w każdą decyzję agentów.
Hybrydyzacja w 99,8% decyzji
Po przeanalizowaniu dzienników decyzji wyszło na jaw coś, co trudno nazwać przypadkiem. Planiści LLM wybierali hybrydyzację w 99,8% swoich zarejestrowanych decyzji. 'Wszystkie 9623 wywołania LLM zostały zarejestrowane i poddane audytowi, co ujawnia, że wirtualni planiści LLM wybierają hybrydyzację w 99,8% swoich zarejestrowanych decyzji, konsekwentnie tworząc wielorodzinne hybrydy' – piszą Loo i Braga-Neto. Innymi słowy, agenty niemal zawsze łączyły ze sobą różnych przedstawicieli rodzin architektur, zamiast trzymać się jednego szablonu.
Co ciekawe, takie podejście prowadziło do modeli o wysokiej dokładności i jednocześnie niskiej liczbie parametrów. Nie oznacza to jednak, że każda hybryda była rewelacyjna – raczej to, że strategia mieszania częściej dawała dobre rezultaty niż kurczowe trzymanie się jednego typu operatora. Można to porównać do gotowania: szef kuchni rzadko używa tylko jednego składnika, częściej próbuje różnych kombinacji.
Wyniki pokazują, że agentowa społeczność naukowa AI potrafi odkrywać architektury operatorów neuronowych o wysokiej dokładności i niskiej liczbie parametrów.
Luis Loo, Ulisses Braga-Neto
Abstract
Bez modeli językowych społeczność zamiera
Żeby sprawdzić, czy agenty LLM naprawdę są tu konieczne, autorzy przeprowadzili badanie ablacyjne. Zastąpili planistów i recenzentów prostymi regułami – na przykład losowaniem z puli dostępnych bloków. Efekt był natychmiastowy: społeczność straciła różnorodność i zapadła się do niehybrydowych stosów, najczęściej ograniczonych do jednej rodziny. Nie było już fuzji, tylko płaskie, przewidywalne układy.
To pokazuje, że agencja LLM nie jest ozdobą – bez niej nie ma sensownej eksploracji przestrzeni architektur. Modele językowe dostarczają czegoś więcej niż losowanie: pewnego rodzaju intuicji opartej na wzorcach wyuczonych z danych. Bez tego mechanizmu cała symulacja stała się bezpłodna.
Nie ma uniwersalnego operatora neuronowego
Wyniki sugerują coś jeszcze: być może twierdzenie o braku darmowego lunchu rozciąga się również na operatory neuronowe. 'Wyniki sugerują twierdzenie o braku darmowego lunchu dla operatorów neuronowych: nie ma uniwersalnego zwycięzcy' – czytamy w abstrakcie. Innymi słowy, architektura, która świetnie radzi sobie z równaniem Burgersa, może słabo działać na przepływie Darcy'ego i na odwrót. Nie istnieje jeden operator, który pokona wszystkie inne na każdym problemie.
Ta obserwacja ma praktyczną konsekwencję: zamiast szukać jednego 'najlepszego' modelu, bardziej opłaca się mieć system, który potrafi automatycznie proponować i testować wiele różnych architektur. Wirtualna społeczność naukowa robi właśnie to – i robi to bez ingerencji człowieka, co jest obiecujące, szczególnie gdy problemów do rozwiązania są dziesiątki.
Co z tego dla praktyki?
Automatyzacja odkrywania operatorów neuronowych może znaleźć zastosowanie wszędzie tam, gdzie symulacje równań różniczkowych cząstkowych są na porządku dziennym. Inżynierowie analizujący przepływy aerodynamiczne, meteorolodzy modelujący pogodę czy projektanci materiałów sprawdzający naprężenia – każdy z nich mógłby skorzystać z szybkiego, dokładnego i lekkiego operatora dopasowanego do konkretnego problemu. Zamiast ręcznie testować kilka popularnych architektur, można uruchomić agentową społeczność i po kilku iteracjach dostać kilka obiecujących kandydatów.
Oczywiście, przed szerokim wdrożeniem trzeba potwierdzić te wyniki na większej liczbie problemów i z innymi blokami budulcowymi. Ale kierunek jest wyraźny: agenty AI nie muszą tylko pisać kod czy streszczać maili – mogą też samodzielnie prowadzić małe programy badawcze. Szczerze, nie spodziewałem się, że hybrydyzacja osiągnie poziom 99,8%, ale po przeczytaniu całości zaczynam rozumieć, dlaczego tak się stało. Agenty po prostu nie miały powodu, by ograniczać się do jednej rodziny, skoro mogły próbować wszystkiego naraz.
- Agentowa społeczność odkrywa architektury operatorów neuronowych o wysokiej dokładności i małej liczbie parametrów.
- Planiści LLM w 99,8% decyzji wybierają hybrydyzację, łącząc różne rodziny architektur.
- Zastąpienie agentów LLM regułami losowymi powoduje utratę różnorodności i zapadnięcie się do niehybrydowych stosów.
- Wyniki sugerują twierdzenie o braku darmowego lunchu: nie ma jednego operatora najlepszego dla wszystkich problemów.
- System przetestowano na pięciu różnych problemach PDE z wieloma powtórzeniami, a wszystkie decyzje LLM poddano audytowi.
Praktyczne zastosowania
Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:
Podsumowanie
Automatyczne odkrywanie operatorów neuronowych przyspiesza symulacje w inżynierii lotniczej, modelowaniu klimatu i projektowaniu materiałów. Wielu praktyków szuka jednego uniwersalnego modelu, tymczasem wyniki sugerują, że lepiej mieć system, który potrafi szybko dopasować architekturę do konkretnego problemu – bez ręcznego przeszukiwania. Agentowa społeczność AI może stać się narzędziem, które inżynierowie uruchamiają w tle, by po kilku iteracjach dostać kilka lekkich, dokładnych modeli gotowych do użycia.
Metryka artykułu źródłowego
Tytuł oryginalny: An Agentic AI Scientific Community for Automated Neural Operator Discovery
Autorzy: Luis Loo, Ulisses Braga-Neto
Data publikacji: 15 lipca 2026
arXiv: arxiv.org/abs/2607.12122
Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.
