arXiv · 18.06.2026 ·Исследования и наука

Новый подход к поиску математических решений через агентные системы

Исследователи представили фреймворк Agentic Symbolic Search (ASYS), предназначенный для анализа дифференциальных уравнений в частных производных. В отличие от традиционных численных методов или нейронных сетей, которые оперируют массивами данных или аппроксимациями, новый подход направлен на выявление фундаментальных математических структур, описывающих поведение системы. Это позволяет получать решения в виде аналитических выражений, что ближе к классическому математическому анализу.

Система ASYS использует агентный подход, где ИИ-агент выполняет целенаправленный поиск среди символьных представлений, руководствуясь априорными знаниями о свойствах уравнений. Такой метод преодолевает ограничения существующих подходов, таких как сеточные методы или стандартные архитектуры нейросетей, которые часто не способны интерпретировать физический смысл полученных результатов. Агент последовательно строит и проверяет гипотезы, опираясь на математическую логику, а не только на статистические закономерности.

Разработка открывает новые возможности для автоматизации научных исследований в физике и инженерии, где критически важно понимать внутреннюю структуру уравнений, а не просто получать численные значения. Использование агентных систем для символьного поиска позволяет сократить разрыв между вычислительными мощностями и теоретической математикой, предоставляя исследователям инструменты для более глубокого анализа сложных динамических процессов.

Источник: arXiv

Похожие материалы

arXiv · Исследования и наука Новая математическая модель для анализа многоагентных систем Исследователи представили теоретическую базу для анализа сложных многоагентных систем, в которых действия отдельных участников напрямую влияют на общие наблюдаемые результаты. Работа описывает динамику систем с обратными связями, используя два ключевых параметра: «мощность» (power), определяющую степень влияния агента на коллективный исход, и «функции отклика» (response functions), характеризующие реакцию агента на изменение среды. NVIDIA Technical Blog · Другое Как многоагентные системы автоматизируют поиск финансовых сигналов NVIDIA представила исследование, в котором показано, как многоагентные системы могут автоматизировать и оптимизировать процесс поиска финансовых сигналов в квантовой аналитике. В статье рассматривается архитектура, которая использует несколько агентов для анализа данных, выявления паттернов и принятия решений на основе этих сигналов. arXiv · Исследования и наука EurekAgent: как ИИ-агенты автоматизируют научные открытия Исследователи из MIT и других ведущих университетов представили EurekAgent — фреймворк, который демонстрирует, как LLM-основанные агенты могут автоматизировать научные открытия. В статье, опубликованной на arXiv, авторы показывают, что при наличии оптимизируемого метрика и подходящей среды выполнения, агенты способны предлагать, проверять и итерировать научные решения, превосходя человеческие подходы. arXiv · Машинное обучение Мультиагентные системы для многокритериальной оптимизации в динамических средах Исследователи представили новый подход к решению задач оптимизации в вычислительных и сетевых системах с помощью мультиагентных систем. Традиционные методы обучения с подкреплением часто сводят сложные задачи к минимизации единого скалярного вознаграждения, используя штрафные коэффициенты для учета ограничений. Однако такой подход оказывается недостаточно гибким в динамических условиях, где требования к производительности и затратам постоянно меняются. arXiv · Оркестрация агентов Новый подход к маршрутизации множества ИИ-агентов Исследователи из Университета Карнеги-Меллон представили новую работу, посвящённую компиляционным методам в задачах маршрутизации множества агентов (MAPF). В отличие от классических подходов, где все агенты должны достичь заданных целей без столкновений, авторы рассматривают варианты с разными требованиями к агентам. arXiv · Машинное обучение Новый подход к моделированию динамических систем через явные структуры Исследователи представили альтернативный подход к обучению динамических систем, который отходит от использования универсальных нелинейных аппроксиматоров. Вместо наращивания сложности нейронных сетей для захвата сложных паттернов, авторы предлагают архитектуру, где моделирующая способность системы определяется её внутренней структурой. Такой метод позволяет эффективнее описывать поведение динамических процессов, опираясь на математически обоснованные взаимодействия, а не на избыточную нелинейность. arXiv · Машинное обучение Трансформеры для решения уравнений на сложных геометриях Исследователи из MIT и других ведущих университетов представили новый подход к использованию трансформеров для решения задач, связанных с дифференциальными уравнениями на сложных геометриях. Традиционные методы, основанные на нейронных операторах, ограничены фиксированным размером области, что затрудняет их применение в реальных сценариях, где размеры могут варьироваться. arXiv · Оркестрация агентов Новый подход к синтезу ветвей в агентских workflows Исследователи из MIT и UC Berkeley предложили новый метод для работы с параллельными ветвями в агентских workflows, который может значительно ускорить выполнение задач. В традиционных системах ветви, отвечающие за выполнение подзадач, сбор данных или генерацию решений, объединяются в финальном текстовом синтезе. Это создаёт узкое место, особенно при работе с большими языковыми моделями (LLM), которые обрабатывают контекст последовательно. arXiv · Машинное обучение Новый метод обучения мультиагентных систем для принятия решений Исследователи представили метод Multi-Agent Fictitious Play, направленный на улучшение навыков принятия решений в мультиагентных системах на базе больших языковых моделей. Традиционный подход «разделяй и властвуй», при котором сложные задачи разбиваются на независимые подзадачи, оказался недостаточно эффективным для сценариев, требующих учета интересов всех сторон одновременно. Новый алгоритм позволяет агентам моделировать поведение оппонентов и партнеров, имитируя процесс стратегического взаимодействия. arXiv · Инфраструктура для агентов Нейро-символический подход к синтезу стратегий для мультиагентных систем Исследователи предложили новый нейро-символический подход для синтеза стратегий в мультиагентных системах (MAS). Проблема заключается в высокой вычислительной стоимости проверки моделей стратегических возможностей, таких как ATL (Alternating-Time Temporal Logic). Авторы интегрировали большие языковые модели (LLM) в процесс проверки моделей, что позволяет значительно ускорить и улучшить синтез стратегий.

← Все материалы