用于专用神经网络模型自动调优的多智能体 LLM 系统

基于摘要分析。该研究针对机器学习方法类别确定后，关键组件仍依赖专家手工选择的问题，提出由 analyst、coder 和 recorder 三种角色组成的多智能体 LLM 调优框架。其主要贡献是在不改变整体网络结构的前提下，通过生成指定组件的代码，在语义范围受限但实现方式开放的空间内进行搜索，并以实验日志和沙箱执行环境支持调优流程。 原论文的验证对象是采用相关性学习的分类脉冲神经网络，以及求解高阶微分方程的 Physics-Informed Neural Networks（PINN），不是 EEG 或 BCI 系统。与优化整份机器学习脚本或在离散架构空间中搜索的方法不同，该框架把可修改范围限定为预先指定的组件；具体组件、角色交互方式、停止条件和计算预算尚未验证。 作者报告，在摘要所述五项任务中，相对所用基线，MNIST 与 Digits 脉冲分类任务的 Accuracy 分别提高 13 和 6 个百分点；在广义非线性 Schrödinger 方程（GNLSE）任务中，相对解析单孤子解的误差约降低 2491 倍；加入 Gaussian 扰动的某次 GNLSE 运行中，不变量保持误差约降低 325 倍，多次初始化下平均降低超过 100 倍；在加入 Gaussian 扰动的 Kuramoto–Sivashinsky（KS）问题中，质量漂移降低 14 倍。这些指标属于不同任务，不能合并为统一性能增益。基线配置、数据划分、误差定义、搜索预算、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 解码已有固定主干和明确的可调组件接口，这种受限代码搜索可用于降低人工调优成本，但原领域结果不构成 BCI 有效性证据。可复用多角色协作、日志和沙箱，需改造 EEG 数据接口及验证协议；低信噪比、跨被试差异、通道配置变化和小数据可能使搜索过拟合验证集。一个可检验的小实验是固定同一 EEG 解码主干与可调范围，在相同评估次数预算下，对比该框架与随机搜索，并在独立留出被试上评估。已有相关 EEG 工作尚未检索确认。