ADSD: AI diagnozuje i naprawia solvery numeryczne

Nowe badanie opublikowane 2 października 2026 roku przez Petera Chena i Wotao Yina proponuje framework, który ma zmienić sposób, w jaki sztuczna inteligencja poprawia działanie numerycznych solverów. Autorzy zwracają uwagę na problem, który dotyka coraz popularniejszych agentów AI generujących kod naukowy: samo napisanie kodu nie jest tym samym co faktyczne usprawnienie stojącego za nim algorytmu. Gdy solver numeryczny działa źle, informacja zwrotna z jego wykonania pokazuje, że coś nie działa, ale rzadko wyjaśnia, dlaczego i co z tym zrobić.

Kluczowe wnioski

• Autorzy przedstawiają framework Auto-Diagnosis and Skill Discovery (ADSD), który łączy diagnozowanie problemów numerycznych z możliwością wielokrotnego wykorzystania zdobytej wiedzy przez solver.
• ADSD działa według zasady „diagnoza najpierw” — system najpierw wyjaśnia, czemu solver działa słabo, a dopiero potem wykorzystuje tę diagnozę do znalezienia odpowiedniej metody numerycznej.
• Wiedza zdobyta w ten sposób jest pakowana w formie reużywalnych „umiejętności solvera”, co zamienia poprawianie algorytmów z metody prób i błędów w ustrukturyzowany proces diagnozy, odkrycia i wdrożenia.
• Framework przetestowano w czterech trudnych domenach numerycznych: równaniach przepływu mocy, optymalizacji przepływu mocy AC, sztywnych równaniach różniczkowych zwyczajnych oraz niejednorodnych równaniach dyfuzji PDE.
• Na benchmarku GOC-500 dotyczącym przepływu mocy ADSD zredukował średni błąd solvera prawie 71-krotnie, a uzyskane poprawki przenosiły się także na nieznane wcześniej topologie sieci i reżimy pracy.

Problem: kod bez zrozumienia przyczyn

Punktem wyjścia badania jest obserwacja, że agenci AI coraz lepiej generują kod naukowy, ale ta umiejętność nie przekłada się automatycznie na poprawę jakości algorytmów numerycznych działających pod spodem. Gdy solver numeryczny — czyli program rozwiązujący skomplikowane równania, np. opisujące przepływ energii w sieci elektrycznej czy procesy dyfuzji — działa niezadowalająco, wykonanie kodu zwykle generuje sygnał o złej wydajności. Problem w tym, że ten sygnał rzadko pokazuje, co konkretnie jest przyczyną niepowodzenia i jak ją usunąć. W efekcie poprawianie solverów często polega na metodzie prób i błędów, bez systematycznego zrozumienia, dlaczego dana metoda zawodzi w konkretnym przypadku.

Autorzy chcieli odpowiedzieć na to wyzwanie, projektując system, który nie tylko wykrywa błąd, ale aktywnie szuka jego przyczyny, a następnie wykorzystuje tę wiedzę do wyboru lepszej metody numerycznej.

Jak działa ADSD: diagnoza, odkrycie, wdrożenie

Framework ADSD opiera się na podejściu „diagnoza najpierw” (diagnosis-first paradigm). W praktyce oznacza to trójetapowy proces. Najpierw system analizuje, dlaczego dany solver nie radzi sobie z konkretnym zadaniem numerycznym — identyfikuje źródłowy problem, a nie tylko jego symptom w postaci błędu wyniku. Następnie ta diagnoza jest wykorzystywana jako wskazówka do odkrycia odpowiedniej metody numerycznej, która adresuje zidentyfikowaną przyczynę. Na końcu zdobyta w ten sposób wiedza zostaje zapakowana w reużywalne „umiejętności solvera” (solver skills) — moduły, które można zastosować ponownie w podobnych sytuacjach, bez konieczności powtarzania całego procesu diagnozy od zera.

To podejście zamienia proces poprawiania solverów z chaotycznego, ręcznego edytowania kodu metodą prób i błędów w zorganizowaną, powtarzalną procedurę. Każda nowo odkryta umiejętność staje się elementem bazy wiedzy, z której system może korzystać w przyszłości, co jest kluczową różnicą względem podejść opartych wyłącznie na iteracyjnym poprawianiu kodu bez trwałego transferu wiedzy.

Wyniki testów w czterech trudnych domenach

Autorzy przetestowali ADSD w czterech wymagających obszarach obliczeń numerycznych. Pierwszym są równania przepływu mocy (power flow equation), kluczowe dla modelowania sieci elektrycznych. Drugim — kontrola optymalnego przepływu mocy AC (AC optimal power flow control), istotna dla zarządzania systemami energetycznymi. Trzecim obszarem są sztywne równania różniczkowe zwyczajne (stiff ordinary differential equations), notorycznie trudne do rozwiązania numerycznego ze względu na skrajne różnice skali zjawisk. Czwartym są niejednorodne równania dyfuzji PDE (heterogeneous diffusion PDEs).

We wszystkich czterech domenach ADSD konsekwentnie poprawiał trzy kluczowe parametry: dokładność solvera, jego odporność na trudne przypadki oraz efektywność obliczeniową. Najbardziej wymierny wynik odnotowano na benchmarku GOC-500, dotyczącym przepływu mocy w sieciach elektrycznych — tam ADSD zredukował średni błąd solvera prawie 71-krotnie. Co istotne, autorzy podkreślają, że poprawki wygenerowane przez system nie były przypisane tylko do konkretnego przypadku testowego — przenosiły się również na nieznane wcześniej topologie sieci i odmienne reżimy operacyjne, co sugeruje, że system faktycznie uczy się ogólnych, transferowalnych zasad naprawy solverów, a nie tylko dopasowuje się do jednego zbioru danych.

Znaczenie dla rozwoju narzędzi obliczeniowych AI

Badanie wpisuje się w szerszy trend wykorzystywania agentów AI w nauce obliczeniowej i inżynierii, gdzie coraz częściej testuje się narzędzia zdolne do samodoskonalenia na złożonych zadaniach technicznych — podobne motywacje stoją za rozwijanymi niezależnie projektami, jak BootLoops do obliczeń naukowych z Claude czy prace nad agentami uczącymi się samodoskonalenia na długich zadaniach opisane w projekcie AREX-2. Przejście od modelu „generuj kod i sprawdź, czy działa” do modelu „zdiagnozuj przyczynę, odkryj metodę, zapisz umiejętność na przyszłość” może mieć znaczenie praktyczne dla inżynierów pracujących z symulacjami sieci energetycznych, modelami klimatycznymi czy złożonymi układami fizycznymi opisywanymi równaniami różniczkowymi — wszędzie tam, gdzie dokładność i stabilność numeryczna mają bezpośredni wpływ na wiarygodność wyników.

Praca liczy 20 stron i została zaklasyfikowana jednocześnie w trzech obszarach: sztuczna inteligencja (cs.AI), przetwarzanie języka naturalnego (cs.CL) oraz uczenie maszynowe (cs.LG), co odzwierciedla interdyscyplinarny charakter rozwiązania — łączy techniki typowe dla dużych modeli językowych z klasycznymi metodami numerycznymi stosowanymi w inżynierii i fizyce.

Podsumowując, framework ADSD proponuje konkretny, ustrukturyzowany sposób, w jaki agenci AI mogą nie tylko generować kod numeryczny, ale realnie rozumieć i naprawiać przyczyny jego słabej wydajności, z wymiernymi, transferowalnymi rezultatami w czterech różnych domenach obliczeniowych.