OptScientist: Automated Discovery of Optimization Laws· OptScientist: 自动发现优化定律
Many scientific phenomena are best understood as outcomes of underlying optimization problems, yet automated scientific discovery has largely focused on recovering equations that describe observed input-output patterns. We introduce OptScientist, a novel automated framework for discovering compact symbolic optimization laws directly from data. OptScientist comprises (i) a model that infers symbolic optimization problems by first learning to represent data as an optimization problem and then extracting its symbolic form, and (ii) an LLM agentic system embedding the model in a discovery process that integrates theoretical priors from scientific literature, discovers candidate laws, abstracts their underlying mechanisms, and suggests new data to collect. We first evaluate OptScientist on OptF
提出 OptScientist 框架，自动从数据中发现优化定律。
- 核心方法
- OptScientist 通过两个组成部分实现目标：(i) 一种模型，首先学习将数据表示为优化问题，然后提取其符号形式；(ii) 一个嵌入了该模型的 LLM 代理系统，该系统结合了科学文献中的理论先验，发现候选定律，抽象其机制，并建议收集新数据。
- 适合谁读
- 研究者、工程师
- 要解决的问题
- 现有的自动科学发现方法主要集中在恢复描述观察输入输出模式的方程，而未能直接从数据中发现优化定律。
- 关键实验
- 未提供
- 主要贡献
- 首次提出了一种自动发现优化定律的框架，能够直接从数据中提取符号优化问题并发现新的优化机制。
- 意义与局限
- OptScientist 为理解复杂科学现象提供了一种新的自动化方法，有助于加速科学发现过程。然而，其效果和泛化能力需要通过更多实验验证。