EvoPINN은 물리 정보 신경망(PINN) 개발을 수작업 설계에서 벗어나 엄격한 실행 기반 알고리즘 발견 문제로 전환하는 에이전트 프레임워크로, 신경 표현과 훈련 프로그램을 분리한 모듈형 탐색 공간에서 LLM 에이전트가 메모리 조건부 프로그램 수정을 반복적으로 제안한다. 모든 후보는 구조적 검증과 예산을 맞춘 PDE 평가를 거쳐 수학적 타당성을 보장한다. 진동·타원형·소산형·비선형 수송 등 다양한 PDE 영역에서 실험한 결과 EvoPINN은 기존 기법 대비 상대 L2 오차를 크게 줄이는 PDE 특화 학습 알고리즘을 발견했으며, 특히 매개변수를 맞춘 엄격한 비교에서도 성능 우위가 유지되는 신규 아키텍처 SLRC-PINN을 자율적으로 고안했다. 이는 실행 기반 에이전트가 새로운 과학 계산 메커니즘을 발견할 수 있음을 입증한다.

• •신경 표현과 훈련 프로그램을 분리한 모듈형 탐색 공간에서 LLM이 프로그램 수정을 반복 제안
• •모든 후보는 구조적 검증과 예산 맞춘 PDE 평가를 거쳐 수학적 타당성 보장
• •진동·타원형·소산형·비선형 수송 등 다양한 PDE에서 기존 대비 상대 L2 오차 크게 감소
• •매개변수 맞춘 엄격 비교에서도 성능 우위 유지되는 신규 아키텍처 SLRC-PINN 자율 고안