論文の概要: Evolving Scientific Discovery by Unifying Data and Background Knowledge with AI Hilbert

• arxiv url: http://arxiv.org/abs/2308.09474v3
• Date: Mon, 29 Apr 2024 13:46:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 01:04:37.885851
• Title: Evolving Scientific Discovery by Unifying Data and Background Knowledge with AI Hilbert
• Title（参考訳）: AIヒルベルトによるデータと背景知識の統合による科学的発見の進化
• Authors: Ryan Cory-Wright, Cristina Cornelio, Sanjeeb Dash, Bachir El Khadir, Lior Horesh,
• Abstract要約: ケプラーの第3惑星運動法則を含む有名な科学法則は、公理やデータから原理的に導出できることを示す。 2変数変数と論理的制約を用いて複雑性をモデル化し、混合整数線形あるいは半定値最適化による最適化問題を解き、科学的発見の有効性を実証する。
• 参考スコア（独自算出の注目度）: 11.56572994087136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery of scientific formulae that parsimoniously explain natural phenomena and align with existing background theory is a key goal in science. Historically, scientists have derived natural laws by manipulating equations based on existing knowledge, forming new equations, and verifying them experimentally. In recent years, data-driven scientific discovery has emerged as a viable competitor in settings with large amounts of experimental data. Unfortunately, data-driven methods often fail to discover valid laws when data is noisy or scarce. Accordingly, recent works combine regression and reasoning to eliminate formulae inconsistent with background theory. However, the problem of searching over the space of formulae consistent with background theory to find one that best fits the data is not well-solved. We propose a solution to this problem when all axioms and scientific laws are expressible via polynomial equalities and inequalities and argue that our approach is widely applicable. We model notions of minimal complexity using binary variables and logical constraints, solve polynomial optimization problems via mixed-integer linear or semidefinite optimization, and prove the validity of our scientific discoveries in a principled manner using Positivstellensatz certificates. The optimization techniques leveraged in this paper allow our approach to run in polynomial time with fully correct background theory under an assumption that the complexity of our derivation is bounded), or non-deterministic polynomial (NP) time with partially correct background theory. We demonstrate that some famous scientific laws, including Kepler's Third Law of Planetary Motion, the Hagen-Poiseuille Equation, and the Radiated Gravitational Wave Power equation, can be derived in a principled manner from axioms and experimental data.
• Abstract（参考訳）: 自然現象を同義に説明し、既存の背景理論と整合する科学公式の発見は、科学の重要な目標である。 歴史的に科学者は、既存の知識に基づいて方程式を操作し、新しい方程式を形成し、それらを実験的に検証することで、自然法則を導出してきた。 近年、大量の実験データを持つ環境では、データ駆動の科学的発見が有効な競争相手として浮上している。 残念なことに、データ駆動の手法は、データがノイズや不足している場合に有効な法則を見つけるのに失敗することが多い。 したがって、最近の研究は回帰と推論を組み合わせて、背景理論と矛盾する公式を排除している。 しかし、背景理論と整合した公式空間を探索して、データに最も適した公式を見つけるという問題は、十分に解決されていない。 我々は、すべての公理と科学法則が多項式等式と不等式によって表現可能である場合のこの問題に対する解決策を提案し、我々のアプローチが広く適用可能であることを主張する。 我々は、二項変数と論理的制約を用いて最小の複雑性の概念をモデル化し、混合整数線形あるいは半定値最適化による多項式最適化問題を解き、Positivstellensatz証明を用いて原理的に科学的発見の有効性を証明した。 本論文で活用した最適化手法により, 偏微分の複雑性が有界であるという仮定の下で, 完全に正しい背景理論を持つ多項式時間, あるいは, 部分的に正しい背景理論を持つ非決定論的多項式 (NP) 時間で実行することができる。 我々はケプラーの第3惑星運動法則、ハーゲン・ポアゼイユ方程式、放射重力波力方程式などの有名な科学法則が、公理や実験データから原理的に導出できることを実証した。

関連論文リスト

• Hypothesizing Missing Causal Variables with LLMs [55.28678224020973]
  我々は、入力が欠落変数を持つ部分因果グラフであるような新しいタスクを定式化し、出力は部分グラフを完成させるための欠落変数に関する仮説である。 原因と効果の間の媒介変数を仮説化するLLMの強い能力を示す。 また,オープンソースモデルの一部がGPT-4モデルより優れているという驚くべき結果も得られた。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• Argumentative Causal Discovery [13.853426822028975]
  因果発見は、データの特徴間の因果関係を発掘することにつながる。 データ内の因果依存性を反映したグラフを学習するために仮定ベースの議論(ABA)をデプロイする。 我々は,本手法が望ましい特性を示すことを証明し,特に自然条件下では,地底因果グラフを検索できることを示す。
  論文  参考訳（メタデータ） (2024-05-18T10:34:34Z)
• LLM-SR: Scientific Equation Discovery via Programming with Large Language Models [17.64574496035502]
  記号回帰として知られる伝統的な方程式発見法は、主にデータのみから方程式を抽出することに焦点を当てている。 LLM-SRは,大規模言語モデルの科学的知識とロバストなコード生成能力を活用する新しいアプローチである。 LLM-SRは3つの科学的領域にまたがって有効性を示し、物理的に正確な方程式を発見する。
  論文  参考訳（メタデータ） (2024-04-29T03:30:06Z)
• Directed differential equation discovery using modified mutation and cross-over operators [77.34726150561087]
  本稿では,方程式探索アルゴリズムの進化演算子に導入可能な修正について紹介する。 導電方程式発見と呼ばれる結果のアプローチは、より正確な解へと収束する能力を示す。
  論文  参考訳（メタデータ） (2023-08-09T14:50:02Z)
• Comparison of Single- and Multi- Objective Optimization Quality for Evolutionary Equation Discovery [77.34726150561087]
  進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。 提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
  論文  参考訳（メタデータ） (2023-06-29T15:37:19Z)
• AI Research Associate for Early-Stage Scientific Discovery [1.6861004263551447]
  人工知能(AI)は科学活動に何十年も使われ続けている。 我々は、最小バイアスの物理に基づくモデリングに基づく、初期段階の科学的発見のためのAI研究アソシエイトを提案する。
  論文  参考訳（メタデータ） (2022-02-02T17:05:52Z)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• Integration of Data and Theory for Accelerated Derivable Symbolic Discovery [3.7521856498259627]
  我々は,自然法則の原理的導出を可能にする,記号的回帰と自動定理の証明を組み合わせた方法論を開発する。 ケプラーの第3法則、アインシュタインの相対論的時間拡張、ラングミュアの吸着理論を実証する。 論理的推論と機械学習の組み合わせは、自然現象の重要な側面に関する一般的な洞察を提供する。
  論文  参考訳（メタデータ） (2021-09-03T17:19:17Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。