清华发布 SRHarness 与 MechBench，评测 AI 科学发现能力
清华发布 SRHarness 与 MechBench：AI 已能较可靠地从数据中发现公式，但解释公式背后的物理机理仍是明显短板。
清华大学电子工程系提出智能体符号回归（让 AI 从观测数据中自动找出数学公式）的运行时框架 SRHarness，以及评测 AI 能否揭示公式背后物理机制的基准 MechBench。实验显示，SRHarness 在匿名化测试中符号恢复率达 72.97%，而先进模型在 MechBench 核心集上的机制恢复率仅 13.75%。
正文摘录
.jpg)  近日，清华大学电子工程系数据科学与智能实验室在 AI for Science 方向提出面向智能体符号回归（agentic symbolic regression）的运行时框架 SRHarness [1]，让 AI 更可靠地从观测数据中发现公式；同时构建机制发现基准 MechBench [2]，系统评测 AI 能否进一步揭示公式背后的机理。 这是继团队此前在《Nature Reviews Physics》上提出反绎式人工智能（Abductive AI）框架 [3]、并在《Nature Computational Science》上提出神经符号回归方法 ND² [4] 之后，在 AI for Science 领域的进一步工作。 两项成果相辅相成，分别回答了 AI 科学发现中「如何发现数学公式」与「是否真正理解公式背后的物理机理」两个关键问题，推动 AI 科学发现从「拟合观测」走向「理解机制」。