論文の概要: Lang-PINN: From Language to Physics-Informed Neural Networks via a Multi-Agent Framework

• arxiv url: http://arxiv.org/abs/2510.05158v1
• Date: Fri, 03 Oct 2025 08:20:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:07.866795
• Title: Lang-PINN: From Language to Physics-Informed Neural Networks via a Multi-Agent Framework
• Title（参考訳）: Lang-PINN:マルチエージェントフレームワークによる言語から物理インフォームニューラルネットワーク
• Authors: Xin He, Liangliang You, Hongduan Tian, Bo Han, Ivor Tsang, Yew-Soon Ong,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)を解くための強力なアプローチを提供する 本稿では,Lang-PINNを提案する。Lang-PINNはLLM駆動のマルチエージェントシステムで,自然言語タスク記述から直接トレーニング可能なPINNを構築する。 実験により、Lang-PINNは、競合するベースラインよりもかなり低いエラーとロバスト性を達成することが示された。
• 参考スコア（独自算出の注目度）: 54.447408954009454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed neural networks (PINNs) provide a powerful approach for solving partial differential equations (PDEs), but constructing a usable PINN remains labor-intensive and error-prone. Scientists must interpret problems as PDE formulations, design architectures and loss functions, and implement stable training pipelines. Existing large language model (LLM) based approaches address isolated steps such as code generation or architecture suggestion, but typically assume a formal PDE is already specified and therefore lack an end-to-end perspective. We present Lang-PINN, an LLM-driven multi-agent system that builds trainable PINNs directly from natural language task descriptions. Lang-PINN coordinates four complementary agents: a PDE Agent that parses task descriptions into symbolic PDEs, a PINN Agent that selects architectures, a Code Agent that generates modular implementations, and a Feedback Agent that executes and diagnoses errors for iterative refinement. This design transforms informal task statements into executable and verifiable PINN code. Experiments show that Lang-PINN achieves substantially lower errors and greater robustness than competitive baselines: mean squared error (MSE) is reduced by up to 3--5 orders of magnitude, end-to-end execution success improves by more than 50\%, and reduces time overhead by up to 74\%.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を解くための強力なアプローチを提供するが、使用可能なPINNの構築は、労働集約的でエラーを起こしやすいままである。 科学者は問題をPDEの定式化、アーキテクチャの設計、損失関数として解釈し、安定したトレーニングパイプラインを実装しなければならない。 既存の言語モデル(LLM)ベースのアプローチは、コード生成やアーキテクチャ提案といった独立したステップに対処するが、一般的には正式なPDEがすでに指定されており、エンドツーエンドの視点が欠落していると仮定する。 本稿では,Lang-PINNを提案する。Lang-PINNはLLM駆動のマルチエージェントシステムで,自然言語タスク記述から直接トレーニング可能なPINNを構築する。 Lang-PINNは、タスク記述をシンボリックPDEに解析するPDEエージェント、アーキテクチャを選択するPINNエージェント、モジュール実装を生成するコードエージェント、反復的洗練のためのエラーを実行および診断するフィードバックエージェントの4つの補完エージェントをコーディネートする。 この設計は、非公式なタスクステートメントを実行可能で検証可能なPINNコードに変換する。 平均二乗誤差(MSE)は最大3～5桁まで減少し、エンドツーエンドの実行成功率は50%以上向上し、時間オーバーヘッドを最大74パーセント削減する。

関連論文リスト

• HyPINO: Multi-Physics Neural Operators via HyperPINNs and the Method of Manufactured Solutions [16.904297509040777]
  パラメトリックPDEの幅広いクラスにまたがるゼロショット一般化のために設計された多物理ニューラル演算子であるHyPINOについて述べる。 このモデルは、PDEパラメトリゼーションをターゲットとする物理情報ニューラルネットワーク(PINN)にマッピングし、線形楕円型、双曲型、放物型方程式を2次元で扱うことができる。 HyPINOは、PINNによる7つのベンチマーク問題、U-Net、文学、物理インフォームドニューラル演算子(PINO)よりも優れたゼロショット精度を実現している。
  論文  参考訳（メタデータ） (2025-09-05T13:59:25Z)
• CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs [16.234259194402163]
  マルチエージェント推論を符号化し、マルチエージェントシステムにおける構造化されたトークン効率の計画を可能にするプロンプトフレームワークであるCodeAgentsを紹介する。 その結果, 計画性能は一貫した改善がみられ, 基本となる自然言語よりも3～36ポイントの絶対的な向上が見られた。
  論文  参考訳（メタデータ） (2025-07-04T02:20:19Z)
• CodePDE: An Inference Framework for LLM-driven PDE Solver Generation [57.15474515982337]
  偏微分方程式(PDE)は物理系のモデリングの基本である。 従来の数値解法は専門家の知識に頼って実装し、計算コストがかかる。 大規模言語モデルを用いてPDEソルバを生成するための最初の推論フレームワークであるCodePDEを紹介する。
  論文  参考訳（メタデータ） (2025-05-13T17:58:08Z)
• Partial-differential-algebraic equations of nonlinear dynamics by Physics-Informed Neural-Network: (I) Operator splitting and framework assessment [51.3422222472898]
  偏微分代数方程式の解法として, 新規な物理情報ネットワーク(PINN)の構築法が提案されている。 これらの新しい手法には PDE 形式があり、これは未知の従属変数が少ない低レベル形式からより従属変数を持つ高レベル形式へと進化している。
  論文  参考訳（メタデータ） (2024-07-13T22:48:17Z)
• Symbolic Regression for PDEs using Pruned Differentiable Programs [12.23889788846524]
  本稿では,部分微分方程式の解に対する数学的式を得るためのエンドツーエンドフレームワークを提案する。 トレーニングされたPINNを使用してデータセットを生成し、シンボリック回帰を実行する。 PINNと同等の精度を維持しつつ, DPAのパラメータを95.3%削減した。
  論文  参考訳（メタデータ） (2023-03-13T11:07:17Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method [70.19159220248805]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を数値的に解くためのディープラーニングフレームワークを提供する 本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。 本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
  論文  参考訳（メタデータ） (2022-05-18T06:50:44Z)
• PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs [8.220908558735884]
  偏微分方程式 (Partial differential equation, PDE) は、幅広い分野の問題をモデル化し、シミュレーションする上で基礎的な役割を果たす。 近年のディープラーニングの進歩は、データ駆動逆解析の基盤としてPDEを解くために物理学インフォームドニューラルネットワーク(NN)の大きな可能性を示している。 本稿では,PDEをラベル付きデータなしで解くための物理インフォームド・畳み込み学習アーキテクチャ(PhyCRNetとPhCRyNet-s)を提案する。
  論文  参考訳（メタデータ） (2021-06-26T22:22:19Z)

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。