像科学家一样思考：基于物理引导的LLM代理用于方程发现

通过符号化、可解释的公式解释观察到的现象是科学的基本目标。近年来，大语言模型（LLMs）因其广泛的领域知识和强大的推理能力，成为符号方程发现的有前途的工具。然而，大多数现有的基于LLM的系统试图直接从数据中猜测方程，而没有建模科学家通常遵循的多步骤推理过程：首先推断物理属性如对称性，然后利用这些属性作为先验条件来限制候选方程的空间。本文引入了KeplerAgent，一个遵循这一科学推理过程的代理框架。该代理协调基于物理的工具以提取中间结构，并利用这些结果配置符号回归引擎（如PySINDy和PySR），包括其函数库和结构约束。在一系列物理方程基准测试中，KeplerAgent在符号准确性方面显著优于LLM和传统基线方法，并且对噪声数据具有更高的鲁棒性。