งานวิจัยเสนอให้ LLM สร้างน้ำหนักโครงข่ายประสาทจากสมการฟิสิกส์โดยตรง
งานวิจัยบน arXiv เสนอกรอบ Physics2Weight ที่ให้ LLM สร้างน้ำหนักและปรับสถาปัตยกรรมโครงข่ายประสาทจากสมการฟิสิกส์ ผู้เขียนรายงานว่าให้ความคลาดเคลื่อนต่ำกว่า PINN แบบดั้งเดิมในการทดสอบบางกรณี
งานวิจัยชื่อ Physics2Weight (PtW) เผยแพร่บนเว็บ arXiv ในหมวด cs.AI เมื่อวันที่ 7 พฤศจิกายน 2026 รหัสงาน 2611.12954 ผู้เขียนคือ Shogo Sato, Tomoyasu Shimada, Kazuhiko Murasaki และ Takashi Sano
แนวคิดตั้งต้นคือ weight-space programming (WSP) ซึ่งเป็นการให้โมเดลภาษาสร้างค่าน้ำหนัก (weights) ของโครงข่ายประสาทเทียมโดยตรง โดยไม่ต้องฝึกด้วยการไล่ระดับ (gradient-based optimization) แบบที่ใช้กันทั่วไป งานนี้ขยาย WSP ไปแก้สมการเชิงอนุพันธ์ย่อย (partial differential equations หรือ PDE) ซึ่งใช้อธิบายปรากฏการณ์ทางฟิสิกส์ เช่น การนำความร้อนและการไหล โดยรับสมการกำกับกับเงื่อนไขเริ่มต้นและเงื่อนไขขอบเขตเป็นข้อมูลป้อนเข้า
ผู้วิจัยเพิ่มกลไกสองอย่าง อย่างแรกคือ physics-constrained prompting คือการใส่ข้อจำกัดทางฟิสิกส์ลงในคำสั่งถึง LLM อย่างที่สองคือ physics-guided architecture editing ซึ่งปรับโครงสร้างโครงข่ายให้สอดคล้องกับสมการ ควบคู่กับการปรับน้ำหนักซ้ำหลายรอบ (iterative weight refinement)
ผลที่ผู้เขียนรายงานคือทดสอบกับสมการ heat, advection, Burgers’ และ Allen–Cahn แล้วได้ค่าความคลาดเคลื่อนของคำตอบต่ำกว่าวิธี PINN (physics-informed neural network) แบบดั้งเดิม แต่ยังมีข้อจำกัดในการทำให้คำตอบสอดคล้องกับสมการกำกับ โดยเฉพาะสมการไม่เชิงเส้น ซึ่งยากกว่ามาก
ข้อควรระวังคือตัวเลขทั้งหมดเป็นผลที่ผู้เขียนรายงานเอง และงานนี้เป็น preprint ที่ยังไม่พบการทดสอบอิสระจากทีมอื่นในการค้นครั้งนี้ สื่อบางแห่งนำไปรายงานซ้ำ แต่อ้างแหล่งเดียวกัน
หากแนวทางนี้ใช้ได้จริงกับปัญหาที่ซับซ้อนขึ้น อาจเปิดทางให้การจำลองปรากฏการณ์ฟิสิกส์และงานวิศวกรรมทำได้เร็วขึ้น แต่ตอนนี้ยังเป็นผลจากผู้เขียนเองและยังมีข้อจำกัดกับสมการไม่เชิงเส้น จึงควรติดตามมากกว่าเชื่อทันที