PA-SciML은 에이전틱 과학기계학습에서 대리모델(surrogate)을 오차 지표만으로 고르는 관행의 한계를 보완한 검증 우선 워크플로다. 낮은 오차가 경계조건·중첩·강성 스케일링·인과성 같은 역학적으로 중요한 물리를 만족함을 보장하지 않기 때문이다. 워크플로는 탐색 전에 채점 평가기를 고정하고, 검토·기계 검증 가능한 물리 요건을 도출해 각 후보의 출력을 검사하며, 참조 해가 없어도 규정된 입력 범위나 하중 이력에서 위반이 큰 사례를 별도로 탐색한다. 명시된 검사를 통과한 경우에만 검증된 대리모델로 보고한다. 계산 고체역학 예제에서 정적 탄성 사례는 오차 전용 기준보다 낮은 검증 오차의 모델을 선택했고, 과도 탄성동역학에서는 오차가 비슷한 기준 모델이 미래 하중에 반응해 인과성 검사에 실패한 반면 선택된 대리모델은 통과했다. 핵심은 집계 점수가 아닌 후보별 물리 증거다.
- •대리모델을 오차 지표만으로 선택하는 관행의 한계를 지적한 검증 우선 워크플로 PA-SciML 제안
- •탐색 전 채점기를 고정하고 기계 검증 가능한 물리 요건을 도출해 후보별로 검사
- •과도 탄성동역학 예제에서 오차 전용 기준 모델은 인과성 검사 실패, 선택 모델은 통과
- •집계 점수가 아닌 후보별 물리 증거가 핵심 차별점
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Physics-Audited Agentic Discovery in Scientific Machine Learning
- 1.오차 점수만으로 대체모델을 고르는 에이전틱 SciML의 한계를 짚고 검증 우선 워크플로 PA-SciML 제안
- 2.탐색 전 평가자 고정, 기계검증 가능한 물리 요구사항 도출, 후보별 출력 물리 검사 수행
- 3.탄성동역학 실험서 오차 유사한 베이스라인이 미래 하중에 반응하는 인과성 위반 모델을 선택함을 확인
- 4.참조해 없이 고위반 사례를 입력 범위에서 별도 탐색, 검사 통과 시에만 '검증됨'으로 보고
왜 중요한가?
낮은 오차가 경계조건·인과성 같은 물리 법칙 준수를 보장하지 않는다는 문제를 검증 우선 워크플로로 해결해, LLM 에이전트가 발견한 과학 시뮬레이션 대체모델의 신뢰성을 확보하는 방법론을 제시한다.
언급 프로젝트
본문 미리보기
arXiv:2607.07379v1 Announce Type: new Abstract: In agentic scientific machine learning (SciML), large language model (LLM) agents can discover surrogate models and select one by an automated score, typically an error metric. A low error, however, does not establish that the predicted fields satisfy the physics that matter for mechanics, such as boundary conditions, superposition, stiffness scaling, or causality. We introduce Physics-Audited Agentic SciML (PA-SciML), a verification-first workflo
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
