Resumen: Las redes neuronales basadas en la física (PINN) proporcionan un enfoque poderoso para resolver ecuaciones diferenciales parciales (PDE), pero construir un PINN utilizable sigue siendo un trabajo intensivo y propenso a errores. Los científicos deben interpretar los problemas como formulaciones de PDE, diseñar arquitecturas y funciones de pérdida, e implementar canales de capacitación estables. Los enfoques existentes basados en modelos de lenguaje grande (LLM) abordan pasos aislados, como la generación de código o la sugerencia de arquitectura, pero generalmente suponen que ya se ha especificado un PDE formal y, por lo tanto, carecen de una perspectiva de extremo a extremo. Presentamos Lang-PINN, un sistema multiagente impulsado por LLM que crea PINN entrenables directamente a partir de descripciones de tareas en lenguaje natural. Lang-PINN coordina cuatro agentes complementarios: un agente PDE que analiza descripciones de tareas en PDE simbólicas, un agente PINN que selecciona arquitecturas, un agente de código que genera implementaciones modulares y un agente de retroalimentación que ejecuta y diagnostica errores para un refinamiento iterativo. Este diseño transforma declaraciones de tareas informales en código PINN ejecutable y verificable. Los experimentos muestran que Lang-PINN logra errores sustancialmente menores y mayor solidez que las líneas de base competitivas: el error cuadrático medio (MSE) se reduce hasta entre 3 y 5 órdenes de magnitud, el éxito de la ejecución de un extremo a otro mejora en más de un 50% y reduce los gastos de tiempo hasta en un 74%.
Publicado originalmente en export.arxiv.org el 7 de octubre de 2025.
Ver fuente original
