Aug 5, 2026 · DASyR-LLM
DASyR-LLM: Domain-Aware Symbolic Regression with LLMs for Kinetic Model Discovery
DASyR-LLM 是一个将 LLM 模块嵌入迭代符号回归算法的框架，用于自动化动力学模型发现。LLM 在每个迭代中执行两个角色：对最佳 SR 候选进行定性物理化学批判，以及提出新的候选速率表达式。在四个 in silico 案例研究中，与最先进的 SR 框架相比，该框架将识别真实模型的迭代次数减少了 41.7-79.3%。
EVENT STORY
Development
- First ReportDASyR-LLM: Domain-Aware Symbolic Regression with LLMs for Kinetic Model DiscoveryarXiv cs.LG
- Current Assessment在化学工程和生物过程领域，该框架可能加速动力学模型的发现，减少人工干预，提高模型的可解释性和物理合理性。Agent Pulse · analysis
DASyR-LLM 是一个将 LLM 模块嵌入迭代符号回归算法的框架，用于自动化动力学模型发现。LLM 在每个迭代中执行两个角色：对最佳 SR 候选进行定性物理化学批判，以及提出新的候选速率表达式。在四个 in silico 案例研究中，与最先进的 SR 框架相比，该框架将识别真实模型的迭代次数减少了 41.7-79.3%。
该框架展示了 LLM 在符号回归中注入领域知识的能力，通过批判和生成候选表达式，显著减少了搜索迭代次数。这表明 LLM 可以作为一种有效的搜索策略，将领域知识融入数据驱动方法。
在化学工程和生物过程领域，该框架可能加速动力学模型的发现，减少人工干预，提高模型的可解释性和物理合理性。
对于化工和生物技术公司，该框架可能降低模型开发成本，加快工艺优化，提升竞争力。
未来可能扩展到更复杂的反应系统，并与其他机器学习方法结合，进一步提高模型发现的效率和准确性。