多智能体LLM框架自动调优SNN与PINN关键组件

Ivan Moloshnikov 等论文作者提出一个由分析师、编码员和记录员组成的多智能体LLM框架，在不改变网络整体结构的前提下自动生成并调优指定关键组件的代码，并在沙盒环境和实验日志中执行与记录实验，作者称该框架可迁移到不同性质的模型。 验证包括五项任务：带相关性学习的分类脉冲神经网络（SNN）在 MNIST 和 Digits 上的分类，以及用物理信息神经网络（PINN）求解广义非线性薛定谔方程（GNLSE）和 Kuramoto–Sivashinsky（KS）方程的边值问题。作者称智能体在五项任务上均优于基线。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。