Пояснення спостережуваних явищ за допомогою символьних, інтерпретованих формул є фундаментальною метою науки. Ми представляємо KeplerAgent, агентну структуру, яка чітко дотримується наукового процесу міркувань, координуючи фізичні інструменти для вилучення проміжної структури та використовуючи ці результати для налаштування двигунів символьної регресії. У ряді тестів фізичних рівнянь KeplerAgent досягає значно вищої символьної точності та більшої стійкості до шумних даних, ніж як LLM, так і традиційні базові показники.

Виведення інтерпретованих фізичних законів з даних є складним завданням. Традиційна символьна регресія (наприклад, генетичне програмування) бореться з вибуховим зростанням простору пошуку і часто створює фізично безглузді рівняння (наприклад, неправильні одиниці). Моделі глибокого навчання добре підходять для даних, але є «чорними скриньками», які не дають базового математичного закону. Стандартні LLM можуть писати математичні вирази, але їм бракує точних числових міркувань, і вони часто галюцинують недійсні зв'язки.

Автори пропонують агентну структуру. 1. **Початкова гіпотеза**: LLM аналізує описи змінних та зразки даних, щоб запропонувати скелет рівняння. 2. **Фізична перевірка**: Детермінований блок коду перевіряє однорідність розмірностей (наприклад, не можна додавати метри до секунд). 3. **Підгонка**: Чисельні константи оптимізуються для відповідності даним. 4. **Критика та уточнення**: LLM переглядає метрики помилок і конкретні частини рівняння, які не спрацювали, а потім ітерує, щоб запропонувати кращу версію. Цей цикл триває до збіжності або тайм-ауту.

Фізично керований LLM-агент досяг передового рівня відновлення на тесті Feynman, успішно ідентифікувавши 90%+ рівнянь, навіть за помірного шуму (до 10%). Він перевершив стандартне генетичне програмування (PySR) за ефективністю вибірки (вимагаючи менше точок даних), але був повільнішим за часом виконання через затримку висновків LLM. Важливо, що 100% вихідних рівнянь були розмірнісно узгодженими, на відміну від базових методів.

Стаття представляє переконливу конвергенцію LLM та наукових відкриттів. Хоча результати тесту Feynman вражають, залежність від попередньо навченої бази знань LLM створює ризик забруднення даних (модель могла запам'ятати рівняння Фейнмана). Аспект «фізичного керування» ефективно реалізований через обмеження, але обчислювальна вартість ітераційних викликів LLM робить його повільнішим, ніж спеціалізовані інструменти символьної регресії, такі як PySR, для простих задач. Його справжня цінність полягає у складних, семантично насичених задачах, де назви змінних містять підказки щодо взаємодії, які стандартна СР ігнорує.