Principles and Techniques for Agentic Research in Experimental Physics
本文建立了一个包含十项原则和实践技术的以人为本的框架，用于在实验物理领域部署协作式人工智能智能体，并通过六个多样化的案例研究，展示了此类智能体如何通过在从器件设计、硬件控制到数据分析及模型识别等不同领域的迭代，来增强研究成果。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在实验室中，通往发现的道路往往是一条充满试错、漫长且曲折的道路。物理学家搭建起精密的实验装置，调节旋钮，等待信号，然后解释结果。如果信号微弱或设备表现异常，研究人员必须决定是微调设置、改变理论，还是推倒重来。这一过程高度依赖于人类的直觉、多年的训练以及察觉异样的能力。但是，如果研究人员有一个不知疲倦的伙伴，能够阅读每一本手册，在一个下午内运行数千次模拟，并且从不遗漏任何微小的细节，那会怎样？这就是人工智能在科学领域所承诺的前景。然而，要让计算机掌握物理实验室的钥匙并不简单，绝非仅仅要求它解决一个问题那么容易。计算机可能会编造事实、陷入自身的逻辑陷阱，或者在没有仔细引导的情况下提出危险的操作。挑战不仅在于制造一台聪明的机器，而在于制造一台像科学家一样思考的机器：它能对自己的错误保持诚实，检查自己的工作，并知道何时寻求帮助。
马里兰大学的一个研究小组通过创造一种人类与人工智能协作的新方式，应对了这一挑战。他们不仅仅是编写程序让计算机写代码或运行模拟；相反，他们构建了一个名为 PhysKit 的结构化环境，旨在将大语言模型转化为一名协作研究助手。可以将这个系统想象成一套严格的规则和有用的工具，引导计算机遵循科学方法。计算机不允许瞎猜；它必须遵循一个循序渐ло的过程：提出想法、测试想法、检查结果中的错误，然后向人类研究员汇报。人类始终是船长，设定目标并做出最终决策，而计算机则扮演着强大的引擎，能够比人类独自探索的可能性快得多。这种伙伴关系允许团队进行“闭环”任务，即计算机可以自主运行数小时甚至数天，不断迭代解决方案直到找到最佳答案，同时对每一步操作都保持完美、有序的记录。
该团队通过六种不同的实验测试了这种方法，涵盖了从设计新硬件到分析复杂数据等多个领域。在一个案例中，他们要求计算机改进一种神经网络——这是一种用于根据磁测量重建电流图像的软件。计算机分析了现有设计，尝试了数千种变体，并发现了一种新的架构，使误差降低了百分之三十三。它通过寻找一种更高效的数据处理方式，在减少计算资源消耗的同时，产生了更清晰的结果。在另一个实验中，团队希望了解一种被称为六方氮化硼（hexagonal boron nitride）的二维材料中的特定缺陷在受到光照时的行为。科学家们一直使用标准模型来描述这种行为，但该模型与数据并不完全吻合。计算机检查了数据，并提出了一个更复杂的、拥有十一个能级而非此前七个或九个能级的新模型。这个新模型能更好地拟合实验数据，并比以往任何尝试都更准确地预测该材料在不同条件下的行为。
该系统不仅在模拟中表现出色，在物理世界中也证明了其价值。研究人员利用计算机设计了一个用于控制量子传感器的微波器件。计算机必须平衡许多相互冲突的要求，例如在创造特定类型波形的同时，保持在设备的功率限制范围内。它产生了一个可以直接用于制造的设计，并满足了所有严格的实验约束。在一次更直接的硬件控制测试中，计算机协助调试了一台核磁共振波谱仪（一种用于检测磁场的设备）。从未校准的状态开始，计算机对实时运行的机器进行了一系列实验，通过调整设置并分析结果，直到实现了约一赫兹的频率精度。这种精度的实现通常需要人类专家花费数天时间，但计算机仅用了二十多个小时就完成了。最后，团队利用该系统分析了人工自旋冰阵列（由微小磁岛组成的材料）的数据。计算机成功地从模糊的图像中重建了阵列中每一个磁岛的磁状态，这在处理此类数据时此前从未实现过。
这些结果之所以意义重大，不仅在于计算机找到了答案，更在于它寻找答案的方式。该系统的设计初衷是保持诚实。如果一个提议的方案在理论上看起来很好但在特定测试中失败了，计算机会拒绝它。它保留了关于其所做每一个假设和每一行代码的详细日志，确保人类始终可以追溯到结果是如何得出的。研究人员发现，计算机特别擅长发现自己是否走错了路。例如，在材料研究中，计算机测试了一百多种不同的模型结构。它发现了几个看起来很有前景的模型，但因为它们无法正确预测未来数据，或者违反了基本物理定律而将其舍弃。它只有在模型通过了包括“预测从未见过的数据”在内的所有检查后，才会选择最终模型。这种严谨的方法防止了系统陷入仅仅是记忆数据或为了看起来成功而编造数字的陷阱。
这些实验的成功表明了科学研究的一种新方式。人工智能并非取代人类研究员，而是作为一种“力量倍增器”。它处理那些重复性强、耗时的想法测试和计算检查工作，从而让科学家能够专注于宏观图景和困难的判断决策。计算机可以在研究员睡觉时运行实验，或者探索人类手工无法驾驭的广阔可能性空间。但这种模式在明确的伙伴关系下效果最好。人类设定边界、定义目标，并提供计算机无法独立获取的背景信息，例如某件设备的特定特性或物理系统的微妙约束。作为回报，计算机带来了能够改变研究进程的一致性和速度。
研究人员强调，这并不是一个能够独立撰写论文或自主进行发现的完全自主系统。它是一个需要“人在回路（human in the loop）”中进行验证结果并确保科学严谨性的工具。该系统具有适应性，能够从每个项目中学习以改进其自身框架。随着团队继续使用 PhysKit，他们预计会增加新的技能并完善流程，使其在更广泛的科学问题上更加有效。最终目标是为科学家如何与人工智能协作建立一套标准方式，确保这项技术被负责任且有效地利用。通过将人类专业知识与这些智能体的计算能力相结合，该团队展示了在不牺牲科学基础所需的严谨性和诚实性的前提下，加速科学发现是完全可能的。这些结果不仅更快，而且更好，带来了新的模型、更好的设备以及对物理世界更深层次的理解。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。