从科学机器学习到科学智能体：让 AI 像科学家一样设计模型｜AI for Math读书会第二季第5期
导语
本期为AI for Math读书会第二季第5期，北京雁栖湖应用数学研究院副研究员杨武岳将介绍物理信息神经网络与神经算子两类科学机器学习基础方法，比较其适用场景与常见困难，引出智能体参与科学方法设计的问题。重点解读AgenticSciML多智能体协作与方法搜索框架，并结合The AI Scientist、Virtual Lab等案例，讨论科学智能体从计算实验走向真实实验的能力边界。
为系统梳理 AI 在科学与数学领域的最新进展，集智俱乐部联合同济大学数学科学学院长聘副教授陈小杨、北京工业大学数学统计学与力学学院副研究员诸葛昌靖共同发起“人工智能与数学”读书会第二季。组织对该主题感兴趣的研究者与探索者共同研读前沿文献、交流研究思路。
读书会将于2026年9月22日起，每周二19:30-21:30线上开展，持续8-10周，包含主讲分享与讨论交流，并提供会后视频回放，诚邀相关领域研究者及跨学科兴趣者参与。
报告简介
本报告首先介绍科学机器学习的两类基础方法。物理信息神经网络（PINN）将偏微分方程、初始条件和边界条件纳入训练目标，使神经网络的预测受到物理规律约束；神经算子则学习从输入函数到解函数的映射，以 DeepONet 和傅里叶神经算子（FNO）为例，说明模型如何在一类问题上重复使用。通过比较两类方法的适用场景与常见困难，报告引出一个核心问题：当模型结构、采样策略和训练方式都需要反复调整时，能否让智能体参与科学方法的设计与验证？
在此基础上，报告将重点解读 AgenticSciML 的多智能体协作与方法搜索框架，展示智能体如何检索已有知识、提出改进方案、编写和运行代码，并根据数值评价结果决定下一步。结合 The AI Scientist 和 Virtual Lab 等论文案例，报告还将讨论科学智能体从计算实验走向真实实验时的能力边界。
分享大纲
科学机器学习基础：介绍 PINN 与神经算子的基本原理及应用。
科学智能体的工作方式：说明工具调用、实验反馈与方案迭代。
科学智能体的科研实践：结合 AgenticSciML、The AI Scientist 和 Virtual Lab，讨论方法探索、实验验证与结果可靠性。
核心概念
物理信息神经网络（PINN）：用神经网络近似方程的解，并在训练中加入方程残差，以及问题给定的初始条件、边界条件或观测数据。
神经算子（Neural Operator）：学习函数空间之间的映射；在偏微分方程问题中，目标是近似从输入函数到对应解的算子。
科学智能体：分工完成数据分析、知识检索、方案提出、代码实现和结果评价，并利用评价结果继续改进方案的智能体系统。
建模策略探索：探索模型结构、损失函数和训练方法等选择。原文强调探索 建模策略空间，其范围超过参数配置的搜索。
评价契约（Evaluation Contract）：AgenticSciML 在生成方案前，用统一的评价脚本和实现规范规定候选方案如何接受测试、计算指标和获得分数，并由人确认。
主讲人介绍
主讲人：杨武岳，现任北京雁栖湖应用数学研究院副研究员。她于2022年在清华大学丘成桐数学科学中心获得应用数学博士学位。她的研究方向聚焦于人工智能与科学发现的交叉领域，专攻物理信息机器学习、科学机器学习和生物医学人工智能。她致力于开发融合微分方程和物理原理的可解释神经网络模型，并将其应用于复杂动力系统、蛋白质聚集动力学和疾病建模等领域。杨博士已在SIAM Journal on Scientific Computing、Physics of Fluids和Journal of Computational Physics等高水平期刊发表SCI论文二十余篇，谷歌学术总引用1000余次。她主持国家自然科学基金(C类)和中国商飞的科研项目，同时承担人工智能课程教学工作。
参考文献
[1] RAISSI M, PERDIKARIS P, KARNIADAKIS G E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics, 2019, 378: 686–707.
[2] LI Z, KOVACHKI N, AZIZZADENESHELI K, et al. Fourier neural operator for parametric partial differential equations[C]// International Conference on Learning Representations. 2021.
[3] JIANG Q, KARNIADAKIS G. AgenticSciML: Collaborative multi-agent systems for emergent discovery in scientific machine learning[J]. npj Artificial Intelligence, 2026, 2: 57.
[4] LU C, LU C, LANGE R T, et al. The AI Scientist: Towards fully automated open-ended scientific discovery[EB/OL]. arXiv:2408.06292, 2024.
[5] SWANSON K, WU W, BULAONG N L, et al. The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies[J]. Nature, 2025, 646: 716–723.
时间信息
⏰ 时间：2026年11月3日（周二）19:30-21:30
📍 线上：腾讯会议
📍 直播：微信视频号 + 集智俱乐部B站号同步放送
原标题：《从科学机器学习到科学智能体：让 AI 像科学家一样设计模型｜AI for Math读书会第二季第5期》