論文の概要: Discovering equations from data: symbolic regression in dynamical systems

• arxiv url: http://arxiv.org/abs/2508.20257v1
• Date: Wed, 27 Aug 2025 20:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.810425
• Title: Discovering equations from data: symbolic regression in dynamical systems
• Title（参考訳）: データから方程式を発見する:力学系における記号回帰
• Authors: Beatriz R. Brum, Luiza Lober, Isolde Previdelli, Francisco A. Rodrigues,
• Abstract要約: 本稿では,カオス力学や流行モデルを含む9つの動的過程から方程式を復元するために,5つの記号回帰法を用いた。 ベンチマークの結果はその高い予測力と精度を示し、いくつかの見積もりは元の分析形式と区別できない。 これらの結果は、実世界の現象を推論しモデル化するための堅牢なツールとしての象徴的回帰の可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The process of discovering equations from data lies at the heart of physics and in many other areas of research, including mathematical ecology and epidemiology. Recently, machine learning methods known as symbolic regression have automated this process. As several methods are available in the literature, it is important to compare them, particularly for dynamic systems that describe complex phenomena. In this paper, five symbolic regression methods were used for recovering equations from nine dynamical processes, including chaotic dynamics and epidemic models, with the PySR method proving to be the most suitable for inferring equations. Benchmark results demonstrate its high predictive power and accuracy, with some estimates being indistinguishable from the original analytical forms. These results highlight the potential of symbolic regression as a robust tool for inferring and modelling real-world phenomena.
• Abstract（参考訳）: データから方程式を発見する過程は物理学の核心や、数学的生態学や疫学を含む多くの研究領域にある。 近年、シンボリック回帰として知られる機械学習手法がこのプロセスを自動化している。 文献でいくつかの方法が利用できるので、特に複雑な現象を記述した力学系について比較することが重要である。 本稿では, カオス力学や流行モデルを含む9つの動的過程から方程式を復元するために5つの記号回帰法を用い, PySR法は方程式の推論に最も適していることを示した。 ベンチマークの結果はその高い予測力と精度を示し、いくつかの見積もりは元の分析形式と区別できない。 これらの結果は、実世界の現象を推論しモデル化するための堅牢なツールとしての象徴的回帰の可能性を強調している。

関連論文リスト

• AI-Lorenz: A physics-data-driven framework for black-box and gray-box identification of chaotic systems with symbolic regression [2.07180164747172]
  複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。 私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。 これにより、動的挙動の将来的な進化を予測することができる。
  論文  参考訳（メタデータ） (2023-12-21T18:58:41Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Toward Physically Plausible Data-Driven Models: A Novel Neural Network Approach to Symbolic Regression [2.7071541526963805]
  本稿では,ニューラルネットワークに基づく記号回帰手法を提案する。 非常に小さなトレーニングデータセットとシステムに関する事前知識に基づいて、物理的に妥当なモデルを構築する。 本研究では,TurtleBot 2移動ロボット,磁気操作システム,2つの抵抗の等価抵抗,アンチロックブレーキシステムの長手力の4つの試験システムに対するアプローチを実験的に評価した。
  論文  参考訳（メタデータ） (2023-02-01T22:05:04Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Contemporary Symbolic Regression Methods and their Relative Performance [5.285811942108162]
  本研究では,252種類の回帰問題に対して,14のシンボル回帰法と7つの機械学習法を評価する。 実世界のデータセットでは、各手法が低いエラーと低い複雑さでモデルを学習する能力をベンチマークする。 合成問題に対して,様々なレベルのノイズが存在する場合に,各手法の正確な解を求める能力を評価する。
  論文  参考訳（メタデータ） (2021-07-29T22:12:59Z)
• Inferring the Structure of Ordinary Differential Equations [12.202646598683888]
  我々は,AIFeynman(Udrescu et al., 2020)と呼ばれるアプローチを動的設定に拡張し,ODEシステム上でシンボリックレグレッションを実行する。 この拡張を、複雑性を増大させる基底的真理方程式が利用できるいくつかの力学系において経験的に象徴的回帰に対する最先端のアプローチと比較する。
  論文  参考訳（メタデータ） (2021-07-05T07:55:05Z)
• Neural Symbolic Regression that Scales [58.45115548924735]
  本稿では,大規模事前学習を利用した最初の記号回帰手法を提案する。 我々は,非有界な方程式の集合を手続き的に生成し,同時にインプット・アウトプット・ペアの集合からシンボル方程式を予測するためにトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2021-06-11T14:35:22Z)
• Discovery of Nonlinear Dynamical Systems using a Runge-Kutta Inspired Dictionary-based Sparse Regression Approach [9.36739413306697]
  機械学習と辞書ベースの学習を数値解析ツールと組み合わせ,微分方程式の制御を探索する。 我々は、サンプリング体制を超えてよりよく一般化しやすい解釈可能で準同型モデルを得る。 生物ネットワークに通常現れる有理非線形性を含む支配方程式の拡張について論じる。
  論文  参考訳（メタデータ） (2021-05-11T08:46:51Z)

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。