論文の概要: Generative Discovery of Partial Differential Equations by Learning from Math Handbooks

• arxiv url: http://arxiv.org/abs/2505.05869v1
• Date: Fri, 09 May 2025 08:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.200153
• Title: Generative Discovery of Partial Differential Equations by Learning from Math Handbooks
• Title（参考訳）: 数学ハンドブックからの学習による部分微分方程式の生成
• Authors: Hao Xu, Yuntian Chen, Rui Cao, Tianning Tang, Mengge Du, Jian Li, Adrian H. Callaghan, Dongxiao Zhang,
• Abstract要約: 本研究は, 数学的ハンドブックに文書化された既存のPDEを組み込んで, 発見プロセスを容易にする知識ガイド型アプローチを提案する。 このフレームワークは、特に複雑な時間微分や複雑な空間項を含む場合において、高い精度と計算効率で様々なPDEフォームを復元することができる。 特に、これまで報告されていなかったPDEが、破壊に向かって伝播する強い非線形表面重力波を支配下に置くことに成功している。
• 参考スコア（独自算出の注目度）: 15.151135612091306
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data driven discovery of partial differential equations (PDEs) is a promising approach for uncovering the underlying laws governing complex systems. However, purely data driven techniques face the dilemma of balancing search space with optimization efficiency. This study introduces a knowledge guided approach that incorporates existing PDEs documented in a mathematical handbook to facilitate the discovery process. These PDEs are encoded as sentence like structures composed of operators and basic terms, and used to train a generative model, called EqGPT, which enables the generation of free form PDEs. A loop of generation evaluation optimization is constructed to autonomously identify the most suitable PDE. Experimental results demonstrate that this framework can recover a variety of PDE forms with high accuracy and computational efficiency, particularly in cases involving complex temporal derivatives or intricate spatial terms, which are often beyond the reach of conventional methods. The approach also exhibits generalizability to irregular spatial domains and higher dimensional settings. Notably, it succeeds in discovering a previously unreported PDE governing strongly nonlinear surface gravity waves propagating toward breaking, based on real world experimental data, highlighting its applicability to practical scenarios and its potential to support scientific discovery.
• Abstract（参考訳）: データ駆動による偏微分方程式(PDE)の発見は、複雑なシステムを管理する法則を明らかにする上で有望なアプローチである。 しかし、純粋にデータ駆動技術は、探索空間と最適化効率のバランスをとるというジレンマに直面している。 本研究は, 数学的ハンドブックに文書化された既存のPDEを組み込んで, 発見プロセスを容易にする知識ガイド型アプローチを提案する。 これらのPDEは、演算子と基本項からなる構造のような文として符号化され、自由形式PDEの生成を可能にするEqGPTと呼ばれる生成モデルを訓練するために使用される。 生成評価最適化のループを構築し、最も適切なPDEを自律的に識別する。 実験により, 複雑な時間微分や複雑な空間項を含む場合, 従来の手法の到達範囲を超えて, 高い精度と計算効率で多種多様なPDE形式を復元できることが実証された。 このアプローチはまた、不規則な空間領域と高次元設定への一般化性を示す。 特に、実際の実験データに基づいて、破壊に向かって伝播する強い非線形表面重力波を規定する以前に報告されていないPDEの発見に成功し、その実用シナリオへの適用性と科学的な発見を支援する可能性を強調した。

関連論文リスト

• A Deep Learning approach for parametrized and time dependent Partial Differential Equations using Dimensionality Reduction and Neural ODEs [46.685771141109306]
  時間依存・パラメトリック・(典型的には)非線形PDEに対する古典的数値解法と類似した自己回帰・データ駆動手法を提案する。 DRを活用することで、より正確な予測を提供するだけでなく、より軽量でより高速なディープラーニングモデルを提供できることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:16:15Z)
• Physics-informed deep learning and compressive collocation for high-dimensional diffusion-reaction equations: practical existence theory and numerics [5.380276949049726]
  ディープラーニング(DL)に基づく高次元偏微分方程式の効率的な解法の開発と解析 理論的にも数値的にも,新しい安定かつ高精度なスペクトルコロケーション法と競合できることを示す。
  論文  参考訳（メタデータ） (2024-06-03T17:16:11Z)
• Unisolver: PDE-Conditional Transformers Are Universal PDE Solvers [55.0876373185983]
  広範にPDEを解くことができるUniversal PDEソルバ(Unisolver)を提案する。 私たちの重要な発見は、PDEソリューションが基本的に一連のPDEコンポーネントの制御下にあることです。 Unisolverは3つの挑戦的な大規模ベンチマークにおいて、一貫した最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-05-27T15:34:35Z)
• Physics-constrained robust learning of open-form partial differential equations from limited and noisy data [1.50528618730365]
  本研究では,自由形式偏微分方程式(PDE)を有限・雑音データから頑健に解明する枠組みを提案する。 ニューラルネットワークに基づく予測モデルは、システム応答に適合し、生成されたPDEに対する報酬評価器として機能する。 数値実験により, 非線形力学系から, 極めてノイズの多いデータで支配方程式を発見できることを示す。
  論文  参考訳（メタデータ） (2023-09-14T12:34:42Z)
• Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
  我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。 数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
  論文  参考訳（メタデータ） (2023-01-30T04:58:40Z)
• D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
  D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。 さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:20Z)
• Discovering Nonlinear PDEs from Scarce Data with Physics-encoded Learning [11.641708412097659]
  ノイズや少ないデータからPDEを発見するための物理符号化離散学習フレームワークを提案する。 3つの非線形PDEシステムに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-01-28T07:49:48Z)

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。