ADSD：自动诊断与技能发现提升数值求解器
原文标题：Training Numerical Intelligence via Auto-Diagnosis and Skill Discovery
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 ADSD（Auto-Diagnosis and Skill Discovery）框架，让 AI 智能体先诊断数值求解器性能不佳的根因，再据此发现合适的数值方法，并将知识封装为可复用的求解器技能。在潮流方程、交流最优潮流控制、刚性常微分方程和异质扩散偏微分方程四个领域，ADSD 持续提升精度、鲁棒性与效率，在 GOC-500 潮流问题上将平均误差降低近 71 倍，并可迁移到未见过的电网拓扑。
- 问题
- AI 能生成科学代码，但执行反馈只暴露求解器性能差，不揭示根因与改进方法。
- 方法
- ADSD 采用诊断优先范式，先解释求解器为何表现差，再据此发现合适数值方法并封装为可复用求解器技能，把试错式编辑变为结构化流程。
- 结果
- 在潮流方程、交流最优潮流控制、刚性常微分方程与异质扩散偏微分方程四个领域持续提升精度、鲁棒性与效率；GOC-500 潮流问题平均误差降低近 71 倍，并可迁移到未见电网拓扑。
- 影响
- 为科学计算提供可复用的求解器自改进流程，比单纯让智能体写代码更能提升算法本身。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ADSD 先诊断再发现数值方法，GOC-500 潮流问题平均误差降近 71 倍。
- •框架把求解器改进拆成诊断、方法发现、实现三步，知识封装为可复用求解器技能
- •覆盖潮流方程、交流最优潮流控制、刚性 ODE、异质扩散 PDE 四个领域
- •在 GOC-500 潮流问题上平均求解误差降低近 71 倍
- •改进可迁移到未见过的电网拓扑与运行工况
- •精度、鲁棒性、效率三项均持续提升
为什么重要：科学代码生成不等于算法改进，ADSD 把执行反馈转化为根因诊断，为 AI 辅助数值求解器研发提供了可复用的流程范式。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。