论文页面 - 通过自动诊断与技能发现训练数值智能

来源：https://huggingface.co/papers/2610.03872

摘要

AI 智能体在生成科学计算代码方面的能力正日益增强，但生成代码并不等同于改进其背后的算法。对于数值求解器而言，执行反馈虽然可以暴露性能不佳的问题，却很少能揭示其根本原因以及应如何解决。我们提出了 Auto-Diagnosis and Skill Discovery（ADSD），一个将数值诊断与可复用求解器自我改进联系起来的框架。ADSD 遵循“诊断优先”的范式：首先解释求解器性能不佳的原因，然后利用这一诊断结果来指导合适数值方法的发现。由此获得的知识被封装成可复用的求解器技能，将求解器改进从试错式的编辑转变为一种结构化的“诊断—发现—实现”流程。在四个具有挑战性的数值领域——潮流方程、交流最优潮流控制、刚性常微分方程以及异质扩散偏微分方程——ADSD 始终在求解器精度、鲁棒性和效率方面带来提升。例如，在 GOC-500 潮流算例上，ADSD 将求解器平均误差降低了近 71 倍，且这些改进还能进一步迁移到未见过的电网拓扑和运行工况上。

查看 arXiv 页面 (https://arxiv.org/abs/2610.03872)　查看 PDF (https://arxiv.org/pdf/2610.03872)　添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.03872)

引用本文的模型：0

暂无模型关联此论文。

在模型的 README.md 中引用 arxiv.org/abs/2610.03872 即可将其关联到此页面。

引用本文的数据集：0

暂无数据集关联此论文。

在数据集的 README.md 中引用 arxiv.org/abs/2610.03872 即可将其关联到此页面。

引用本文的 Spaces：0

暂无 Space 关联此论文。

在 Space 的 README.md 中引用 arxiv.org/abs/2610.03872 即可将其关联到此页面。

包含本文的合集：0

暂无合集包含此论文。

将本文添加到合集 (https://huggingface.co/new-collection) 以在此页面关联它。