Tsinghua introduces SRHarness and MechBench for agentic symbolic regression and mechanism discovery
Tsinghua University researchers introduced SRHarness, a runtime framework for agentic symbolic regression, and MechBench, a benchmark for mechanism discovery, aiming to improve AI's ability to derive formulas from data and understand underlying physical mechanisms. Experiments show SRHarness achieves 72.97% symbol recovery with DeepSeek-v4-flash-0731, far exceeding Codex's 20.72%, while MechBench reveals that even GPT-5.6-sol-powered Codex recovers mechanisms at only 13.75% on the core set, highlighting a significant gap between pattern discovery and mechanism understanding.
Coverage timeline
机器之心机器之心
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」。 实验显示，在相同 DeepSeek-v4-flash-0731 底座下，SRHarness 在匿名化测试中的符号恢复率达到 72.97%，远超 Codex 的 20.72%，并媲美搭载 GPT-5.5 和 GPT-6-Astra 的 Codex；而 MechBench 揭示，即使是搭载 GPT-5.6-sol 的 Codex，在核心集上的机制恢复率也仅为 13.75%，远低于其 35.00% 的规律恢复率，表明当前先进的 AI 科学智能体在「发现规律」与「理解机制」之间仍存在显著的能力鸿沟。 本项工作的两篇论文：SRHarness（上）与 MechBench（下） 一、科学发现的两步：从开普勒到牛顿 从观测数据中归纳描述现象的数学规律，并进一步探寻规律背后的物理机制，是科学发现的一条经典路径。四百多年前，开普勒从观测数据中总结出行星运动定律，精确刻画了行星「如何运动」；牛顿力学则更进一步，从万有引力出发，物理上解释了行星「为何如此运动」。从开普勒到牛顿，正是科学从「数学公式发现」迈向「物理机理揭示」的历史缩影。 今天，大语言模型（LLM）与科学智能体（Scientific Agent）已能自主分析数据、调用工具、迭代假设，深度参与科学发现。一个关键问题随之浮现：AI 能否先可靠地发现数据背后的稳定规律？又能否进一步理解规律背后的机制？ 围绕这两个问题，研究团队给出两项进
