人工智能對各個領域科學研究正在產生廣泛影響，如何將強大的人工智能模型真正用于分析科學數據、構建數學模型、發現科學規律，成為亟待突破的關鍵問題。

近日，自動化所研究團隊提出了一種創新性框架——DrSR (Dual Reasoning Symbolic Regression)：通過數據分析與經驗歸納“雙輪驅動”，賦予大模型像科學家一樣“分析數據、反思成敗、優化模型”的能力。

在DrSR中，三位“虛擬科學家”協同工作：一個善于洞察變量關系的“數據科學家”；一個擅長總結失敗教訓與成功經驗的“理論科學家”；一個勇于嘗試假設、不斷優化模型的“實驗科學家”。這三種角色基于大模型構建起高效的協作機制，共同驅動DrSR實現智能化、系統化的科學方程發現。

在物理、生物、化學、材料等跨學科領域的典型建模任務中（如非線性振蕩系統建模、微生物生長速率建模、化學反應動力學建模、材料應力-應變關系建模等），DrSR展現出強大的泛化能力，刷新當前最優性能，成為AI助力科學研究的有力工具。

DrSR：讓大模型“有據可依、步步為營”地發現規律

DrSR的核心創新是“雙路徑推理”（Dual Reasoning）機制，即通過數據驅動的結構分析和經驗驅動的策略總結，為大模型提供結構化引導與反饋，模擬科學家的研究過程，高效且穩健地進行科學建模與方程發現。

DrSR在每一輪嘗試中都“看數據、學經驗、再出手”，具體流程如圖1所示：

圖1. DrSR的雙路徑推理機制

數據驅動洞察模塊（Data-aware Insight）：負責分析數據中的變量關系，包括耦合程度、單調性、非線性趨勢等結構特征。同時，DrSR 還會根據上一輪候選方程的殘差，進一步定位“沒擬合好”的數據段，為后續方程生成提供更高質量的提示。

經驗驅動總結模塊（Inductive Idea Learning）：將生成的方程按效果分為“更好”、“變差”和“無效”，反思成功與失敗原因，總結經驗并存入經驗庫（Idea Library），為后續生成方程提供策略指導，避免重復錯誤，提升生成效率。

方程生成與優化模塊（Equation Generation）：綜合數據分析和經驗庫指導，生成方程骨架（skeleton），再調用優化器（如BFGS）擬合參數，持續迭代、評估，形成從數據分析、方程生成到經驗總結的閉環反饋機制。

總的來說，DrSR實現了一種閉環式智能探索，使模型從“盲目試探”走向“有的放矢”，系統化、高效地推動模型構建與科學規律的自動發現。

DrSR不僅“更準”，還“更快、更穩、更聰明”

研究團隊在六大符號回歸基準任務上系統評估了DrSR的性能，結果顯示：DrSR在精度、建模效率和泛化能力上全面領先主流方法，并展現出卓越的跨領域適應性。

表1. DrSR和基線方法在權威符號回歸基準上的性能對比

圖2. 訓練收斂性比較

圖3. 跨科學領域的泛化對比

讓大模型更像科學家，科學智能邁出關鍵一步

DrSR提出了一種融合數據感知與經驗反思的科學問題建模新范式，它通過結構洞察指導生成方向，通過經驗總結提升推理質量，讓大模型在科學建模中逐步具備“看數據、記教訓、會修正”的能力。作為一套通用性強、可解釋性好、建模效率高的新架構，DrSR為人工智能深度參與科學發現提供了堅實技術支撐。

DrSR已集成至一站式智能科研平臺 ScienceOne，為科研工作者提供高效、可解釋的科學建模服務。DrSR 并不依賴特定的大模型，具備良好的模型兼容性和可擴展性。未來，研究團隊將基于平臺自研的科學基礎大模型S1-Base，進一步增強 DrSR在科學建模中的推理能力與跨任務泛化能力。

研究團隊表示，讓人工智能不僅能“擬合數據”，更能“發掘自然規律”，這是AI4Science走向深層科學智能的必由之路。

論文鏈接

來源：中國科學院自動化研究所