AutoPDE：通过显式表示求解策略实现可靠的智能体偏微分方程求解

背景

偏微分方程（PDEs）的数值求解器是科学与工程领域核心的计算工具。构建可靠的 PDE 求解器不仅依赖于可执行的代码，更取决于一套与 PDE 结构相匹配的数值求解策略。这套策略包含了一系列关键决策，涉及离散化方法、稳定性处理、求解器配置以及分辨率控制等。

近年来，基于大语言模型（LLM）的编程智能体（Coding Agents）开始通过生成和调试求解器实现代码，从而减轻了编程负担。然而，现有的方法通常直接从 PDE 问题跳转到求解器代码的生成，导致求解策略隐含在实现细节中，缺乏显式的表达。

这种“隐式策略”带来了显著的局限性：当求解失败时，反馈往往被路由回代码层面的修改，而非回归到底层的数值策略。这意味着在代码生成之前，数值决策难以进行检查；而在求解失败后，利用数值证据来修订策略也变得异常困难。为了解决这一痛点，研究人员提出了 AutoPDE。

核心内容

AutoPDE 是一种代码智能体，其核心创新在于在整个求解过程中将求解策略作为一个**显式表示的对象（Explicitly Represented Object）**进行维护和操作。这个对象是独立的、可检查的，且在编写任何代码之前构建，并能在求解失败时利用数值证据进行修订。

AutoPDE 的构建和维护过程分为三个阶段，所有阶段均从可复用的 PDE 求解技能库中提取信息：

1. PDE 分析（PDE Analysis）： 识别方程的类型及其代数结构。这是求解的基础，旨在理解问题的数学本质。

2. 数值方法选择（Numerical Method Selection）： 根据分析结果选择匹配的数值方法，并据此确定离散化方案、稳定性处理机制以及线性求解器。这一步将抽象的策略转化为具体的数值决策。

3. 自适应调整（Adaptive Tuning）： 运行低成本的试点求解（pilot solves），以校准分辨率和容差。这一过程旨在在规定的精度和运行时预算约束下，优化求解器的性能参数。

通过这种显式化的策略管理，AutoPDE 能够确保数值决策的可追溯性和可修正性，从而提高了求解的可靠性。

关键要点

• 显式策略对象：AutoPDE 将求解策略从代码实现中解耦，作为一个独立、可检查的对象存在，贯穿整个求解流程。
• 三阶段求解流程：
  • 分析阶段：明确 PDE 类型和代数结构。
  • 选择阶段：基于分析结果选定数值方法、离散化及稳定性策略。
  • 调整阶段：通过低成本试点求解校准分辨率和容差，平衡精度与计算成本。
• 反馈机制优化：不同于传统方法将失败反馈直接导向代码修改，AutoPDE 允许利用数值证据对底层策略进行修订，解决了数值决策难以预检和修正的问题。
• 性能提升显著：在 PDE Agent Bench 基准测试中，AutoPDE 达到了 54.5% 的通过率（Pass Rate），比最强的基线模型高出 14.2 个百分点。

意义与影响

AutoPDE 的提出标志着基于 LLM 的科学计算智能体从“代码生成”向“策略推理”的重要转变。

1. 提升科学计算的可靠性：通过显式表示求解策略，研究人员可以在代码执行前验证数值决策的合理性，并在失败时进行有针对性的策略调整，而非盲目地调试代码。这大大降低了科学计算中的试错成本。
2. 增强可解释性与可控性：将策略作为独立对象，使得求解过程更加透明。用户可以检查、理解并手动干预求解策略，这对于需要高可信度的工程应用至关重要。
3. 推动 AI for Science 的发展：实验结果显示 AutoPDE 相比基线模型有显著的性能提升，证明了显式策略建模在自动化 PDE 求解中的有效性。这为未来开发更复杂、更可靠的 AI 驱动的科学计算工具提供了新的范式。