論文の概要: Rediscovering the Lunar Equation of the Centre with AI Feynman via Embedded Physical Biases

• arxiv url: http://arxiv.org/abs/2511.09979v1
• Date: Fri, 14 Nov 2025 01:23:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.617201
• Title: Rediscovering the Lunar Equation of the Centre with AI Feynman via Embedded Physical Biases
• Title（参考訳）: AI Feynmanを用いた組込み物理バイアスによる中心の月面方程式の再発見
• Authors: Saumya Shah, Zi-Yu Khoo, Abel Yang, Stéphane Bressan,
• Abstract要約: この研究は、物理学に着想を得たAI Feynmanシンボリック回帰アルゴリズムを用いて、天文学の基本方程式を自動的に再発見する。 データ前処理と探索空間制限によってシステムの物理的性質に対応する観測的および帰納的バイアスを導入することにより、AI Feynmanはこの方程式の1次解析形式を月のエフェメライドデータから回復することに成功した。
• 参考スコア（独自算出の注目度）: 1.539942973115038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work explores using the physics-inspired AI Feynman symbolic regression algorithm to automatically rediscover a fundamental equation in astronomy -- the Equation of the Centre. Through the introduction of observational and inductive biases corresponding to the physical nature of the system through data preprocessing and search space restriction, AI Feynman was successful in recovering the first-order analytical form of this equation from lunar ephemerides data. However, this manual approach highlights a key limitation in its reliance on expert-driven coordinate system selection. We therefore propose an automated preprocessing extension to find the canonical coordinate system. Results demonstrate that targeted domain knowledge embedding enables symbolic regression to rediscover physical laws, but also highlight further challenges in constraining symbolic regression to derive physics equations when leveraging domain knowledge through tailored biases.
• Abstract（参考訳）: この研究は、物理学にインスパイアされたAI Feynmanシンボリック回帰アルゴリズムを使用して、天文学の基本的な方程式、すなわち中心の方程式を自動的に再発見する。 データ前処理と探索空間制限によってシステムの物理的性質に対応する観測的および帰納的バイアスを導入することにより、AI Feynmanはこの方程式の1次解析形式を月のエフェメライドデータから回復することに成功した。 しかし、この手動のアプローチは、専門家主導の座標系の選択に依存する重要な限界を浮き彫りにしている。 そこで我々は,標準座標系を見つけるために,自動前処理拡張を提案する。 その結果、対象とするドメイン知識の埋め込みは、物理法則を再発見するためのシンボリック回帰を可能にするだけでなく、調整されたバイアスを通じてドメイン知識を活用する際に、物理方程式を導出するシンボリック回帰を制約する際のさらなる課題も浮き彫りにしている。

関連論文リスト

• Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
  VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。 視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。 常に最先端のVLMベースラインを精度と解釈性で上回る。
  論文  参考訳（メタデータ） (2025-08-24T14:34:21Z)
• Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
  2次元空間における準可積分方程式の渦型解の探索にPINNを適用した。 これらの方程式は、惑星大気中の地栄養的な浅海力学のおもちゃモデルである。 本稿では,保護法を施行したPINN,初期条件の変動,および識別精度向上のための摩擦型摂動手法を紹介する。
  論文  参考訳（メタデータ） (2024-10-23T08:29:13Z)
• Class Symbolic Regression: Gotta Fit 'Em All [0.0]
  我々は,複数のデータセットに正確に適合する単一解析関数形式を自動的に見つけるための,最初のフレームワークである「クラスシンボリック回帰(Class Symbolic Regression)」を紹介した。 この階層的な枠組みは、単一の物理現象の全てのメンバーが共通の法則に従うという共通の制約を利用する。 本稿では,このようなアルゴリズムの評価に特化して設計された,一連の合成物理課題を含む,最初のクラスSRベンチマークを紹介する。
  論文  参考訳（メタデータ） (2023-12-04T11:45:44Z)
• 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)
• Towards true discovery of the differential equations [57.089645396998506]
  微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。 本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
  論文  参考訳（メタデータ） (2023-08-09T12:03:12Z)
• Deep symbolic regression for physics guided by units constraints: toward the automated discovery of physical laws [0.0]
  シンボリック回帰(英: Symbolic Regression)は、データに適合する解析式を自動検索するアルゴリズムの研究である。 解析記号表現を物理データから復元するフレームワークである$Phi$-SOを提案する。
  論文  参考訳（メタデータ） (2023-03-06T16:47:59Z)
• 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)
• Similarity-Based Equational Inference in Physics [0.0]
  本稿では,導出エージェントを有限状態機械とするデータセット作成手法について述べる。 本手法により生成された新しいデータセットPhysAI-DS1を提案する。 PhysAI-DS1データセット上の方程式再構築タスクを解決するためのシンボリックな類似性に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-24T21:36:39Z)

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。