ASIA: an Autonomous System Identification Agent
作者: Dario Piga, Marco Forgione
分类: cs.AI
发布日期: 2026-05-11
💡 一句话要点
提出ASIA自主系统辨识智能体，通过大语言模型实现动力学模型构建的自动化闭环。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 系统辨识 智能体人工智能 大语言模型 自动化建模 动力学系统 自动机器学习
📋 核心要点
- 系统辨识中模型选择与超参数调优高度依赖人工试错，缺乏自动化流程，导致专家时间成本高昂。
- 提出ASIA框架，利用大语言模型作为自主编码智能体，自动完成从建模假设到代码实现与评估的闭环。
- 实验表明ASIA能有效发现高质量的动力学模型，并在基准测试中展现出自主搜索与优化策略的潜力。
📝 摘要（中文）
多年来，系统辨识领域已积累了丰富的动力学建模方法及理论保证。然而在实践中，模型类别的选择、训练算法的确定及超参数调优仍高度依赖经验性的试错，耗费大量专家时间和领域经验。受近期智能体人工智能（Agentic AI）进展的启发，本文提出了ASIA框架。该框架将迭代搜索过程委托给作为自主编码智能体的大语言模型。ASIA基于现有的智能体平台，在无需人工干预的情况下，实现了从假设、实现到评估的闭环，仅需用户提供系统辨识问题的自然语言描述。本文在两个系统辨识基准测试上对ASIA进行了实证研究，分析了智能体的搜索行为、发现的架构与训练策略，以及所得模型的质量。此外，文中还讨论了该方法的潜力及其局限性，包括隐性测试泄露、方法论透明度降低及可重复性担忧。
🔬 方法详解
问题定义：系统辨识旨在从观测数据中学习动力学模型。现有痛点在于模型结构选择（如线性与非线性）、训练算法配置及超参数优化过程缺乏标准化，高度依赖领域专家的经验积累与繁琐的试错过程。
核心思路：利用大语言模型（LLM）的推理与代码生成能力，将其构建为自主智能体。通过将系统辨识任务转化为“代码生成-执行-反馈”的循环，使智能体能够根据任务描述自主探索模型空间，从而替代人工调优。
技术框架：ASIA构建了一个闭环系统，包含任务解析模块、代码生成器、执行环境（用于模型训练与验证）以及评估反馈机制。智能体接收自然语言指令，编写Python代码进行数据处理、模型构建与训练，并根据评估结果迭代优化。
关键创新：将系统辨识的“方法论选择”转化为智能体的“自主搜索”过程。与传统自动化机器学习（AutoML）不同，ASIA利用LLM的语义理解能力，能够处理更灵活的建模需求，并直接生成可执行的科学计算代码。
关键设计：系统依赖于LLM的上下文学习能力，通过Prompt Engineering引导智能体调用主流科学计算库（如PyTorch, SciPy）。设计了基于验证集性能的反馈循环，使智能体能够根据模型在测试集上的表现动态调整模型架构与超参数。
🖼️ 关键图片
📊 实验亮点
ASIA在两个标准系统辨识基准测试中表现出色，能够自主发现并实现有效的模型架构与训练策略。实验分析揭示了智能体在搜索过程中的策略演进，证明了其在无需人工干预下达到与专家经验相当的建模质量的能力。同时，研究客观指出了该方法在隐性测试泄露和可重复性方面的潜在挑战。
🎯 应用场景
该研究适用于工业过程控制、机器人动力学建模及复杂物理系统仿真等领域。通过降低建模门槛，ASIA能够显著提升非专业人员构建高精度动力学模型的能力，加速从数据到控制策略的研发周期，在快速原型设计和复杂系统自动化运维中具有重要价值。
📄 摘要（原文）
Over the years, research in system identification has provided a rich set of methods for learning dynamical models, together with well-established theoretical guarantees. In practice, however, the choice of model class, training algorithm, and hyperparameter tuning is still largely left to empirical trial-and-error, requiring substantial expert time and domain experience. Motivated by recent advances in agentic artificial intelligence, we present ASIA, a framework that delegates this iterative search to a large language model acting as an autonomous coding agent. Building on existing agentic platforms, ASIA closes the loop between hypothesis, implementation, and evaluation without human intervention, requiring only a plain-English description of the identification problem. We conduct an empirical study of ASIA on two system identification benchmarks and analyse the agent's search behaviour, the architectures and training strategies it discovers, and the quality of the resulting models. We also discuss the potential of the approach and its current limitations, including implicit test leakage, reduced methodological transparency, and reproducibility concerns.