球盟会(中国)

人工智能对各个领域科学研究正在产生广泛影响，如何将强大的人工智能模型真正用于分析科学数据、构建数学模型、发现科学规律，成为亟待突破的关键问题。

近期，球盟会(中国)研究团队提出了一种创新性框架——DrSR (Dual Reasoning Symbolic Regression)：顺利获得数据分析与经验归纳“双轮驱动”，赋予大模型像科学家一样“分析数据、反思成败、优化模型”的能力。

在DrSR中，三位“虚拟科学家”协同工作：一个善于洞察变量关系的“数据科学家”；一个擅长总结失败教训与成功经验的“理论科学家”；一个勇于尝试假设、不断优化模型的“实验科学家”。这三种角色基于大模型构建起高效的协作机制，共同驱动DrSR实现智能化、系统化的科学方程发现。

在物理、生物、化学、材料等跨学科领域的典型建模任务中（如非线性振荡系统建模、微生物生长速率建模、化学反应动力学建模、材料应力-应变关系建模等），DrSR展现出强大的泛化能力，刷新当前最优性能，成为AI助力科学研究的有力工具。

DrSR：让大模型“有据可依、步步为营”地发现规律

DrSR的核心创新是“双路径推理”（Dual Reasoning）机制，即顺利获得数据驱动的结构分析和经验驱动的策略总结，为大模型给予结构化引导与反馈，模拟科学家的研究过程，高效且稳健地进行科学建模与方程发现。

DrSR在每一轮尝试中都“看数据、学经验、再出手”，具体流程如图1所示：

图1. DrSR的双路径推理机制

数据驱动洞察模块（Data-aware Insight）：负责分析数据中的变量关系，包括耦合程度、单调性、非线性趋势等结构特征。同时，DrSR 还会根据上一轮候选方程的残差，进一步定位“没拟合好”的数据段，为后续方程生成给予更高质量的提示。

经验驱动总结模块（Inductive Idea Learning）：将生成的方程按效果分为“更好”、“变差”和“无效”，反思成功与失败原因，总结经验并存入经验库（Idea Library），为后续生成方程给予策略指导，避免重复错误，提升生成效率。

方程生成与优化模块（Equation Generation）：综合数据分析和经验库指导，生成方程骨架（skeleton），再调用优化器（如BFGS）拟合参数，持续迭代、评估，形成从数据分析、方程生成到经验总结的闭环反馈机制。

总的来说，DrSR实现了一种闭环式智能探索，使模型从“盲目试探”走向“有的放矢”，系统化、高效地有助于模型构建与科学规律的自动发现。

DrSR不仅“更准”，还“更快、更稳、更聪明”

研究团队在六大符号回归基准任务上系统评估了DrSR的性能，结果显示：DrSR在精度、建模效率和泛化能力上全面领先主流方法，并展现出卓越的跨领域适应性。

表1. DrSR和基线方法在权威符号回归基准上的性能对比

图2. 训练收敛性比较

图3. 跨科学领域的泛化对比

让大模型更像科学家，科学智能迈出关键一步

DrSR提出了一种融合数据感知与经验反思的科学问题建模新范式，它顺利获得结构洞察指导生成方向，顺利获得经验总结提升推理质量，让大模型在科学建模中逐步具备“看数据、记教训、会修正”的能力。作为一套通用性强、可解释性好、建模效率高的新架构，DrSR为人工智能深度参与科学发现给予了坚实技术支撑。

DrSR已集成至一站式智能科研平台 ScienceOne，为科研工作者给予高效、可解释的科学建模服务。DrSR 并不依赖特定的大模型，具备良好的模型兼容性和可扩展性。未来，研究团队将基于平台自研的科学基础大模型S1-Base，进一步增强 DrSR在科学建模中的推理能力与跨任务泛化能力。

研究团队表示，让人工智能不仅能“拟合数据”，更能“发掘自然规律”，这是AI4Science走向深层科学智能的必由之路。

论文链接