符號回歸×大型語言模型：開放假設學習推動自主掃描探針顯微新路

自主顯微從閉環優化走向開放假設發現

一套結合符號回歸與大型語言模型的開放假設學習框架，能讓實驗從稀疏量測自發生成可解釋的物理關係。

框架由符號回歸提出候選解析式，語言模型依物理合理性、尺度行為與已知機制對候選式排序與篩選。不同於僅在固定目標或假設空間內選取量測，該流程允許實驗產生新的物理模型並在迭代中驗證與修正。

研究團隊在自主掃描探針顯微術的壓電回應力顯微測量中示範此方法。從五個種子量測出發，候選表達式逐步演化，最終朝向能夠解釋觀測到的電壓—時間生長行為，並與域壁動力學的機制相容。

此工作把自主顯微從傳統的閉環優化擴展到能由實驗本身生成假設與物理定律的開放式發現，為在階層化自動化科學流程中整合符號回歸、物理推理與自適應實驗提供新路徑。

延伸閱讀

• BRITE 基準：結合音視同步與原子化 QA 的 T2V 不合常理評測
• 擴散模型下的乾淨標籤後門攻擊（CBV）：對視覺語言模型的影響與防禦
• 聯邦多模態卸載的幾何保證：EASE 的 BKE、GSD 與 PFL 機制

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。