Physics‑informed neural networks（PINNs）在求解偏微分方程时，需要同时决定网络结构、采样策略、损失构造和优化方法。不同 PDE 的最佳配置差异很大，传统的自动化设计往往只在搜索阶段生成候选方案，训练过程中的信息仅用于最终评估，导致反复试错、训练预算浪费。
PINNsForge 提出一种基于大语言模型（LLM）的进化框架，利用实际训练的执行反馈不断改进设计。框架首先从 PDE 相关的先验知识库中让 LLM 生成多样化的候选配置，然后对每个配置进行完整训练并记录表现。高性能的设计连同累计的执行证据一起回馈给 LLM，后者在观察到的优化行为指引下，对网络、采样、损失和优化等组件进行细化、重组和新探索，形成生成‑执行‑反馈‑进化的闭环。
与一次性搜索或仅基于评估的反馈不同，PINNsForge 能把训练经验转化为针对目标 PDE 的更优设计决策。实验在 25 个 PDE 基准上进行，对比 RoPINN、PINNsFormer 和 PINNsAgent，PINNsForge 在 24 项任务上实现最低平均均方误差（MSE），显著领先。
消融实验表明，PDE 知识库、执行反馈和进化搜索三者缺一不可。去除知识库会使平均 MSE 上升至原来的 3.74 倍，去除反馈提升至 12.10 倍，去除进化搜索提升至 10.10 倍。
点评：PINNsForge 将 LLM 的生成能力与实际训练反馈紧密结合，实现了对 PINNs 设计的自适应迭代，展示了大模型在科学计算自动化中的潜力。