論文の概要: Introduction to Symbolic Regression in the Physical Sciences
- arxiv url: http://arxiv.org/abs/2512.15920v1
- Date: Wed, 17 Dec 2025 19:32:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:31.791673
- Title: Introduction to Symbolic Regression in the Physical Sciences
- Title（参考訳）: 物理科学におけるシンボリック・レグレッションの紹介
- Authors: Deaglan J. Bartlett, Harry Desmond, Pedro G. Ferreira, Gabriel Kronberger,
- Abstract要約: 記号回帰は、データから解釈可能な数学的関係を明らかにする強力な方法として登場した。
本稿は,2025年4月に開催された王立協会の討論会をモチベーションとした,物理科学の象徴的回帰に関する特集を紹介する。
- 参考スコア（独自算出の注目度）: 0.41998444721319217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic regression (SR) has emerged as a powerful method for uncovering interpretable mathematical relationships from data, offering a novel route to both scientific discovery and efficient empirical modelling. This article introduces the Special Issue on Symbolic Regression for the Physical Sciences, motivated by the Royal Society discussion meeting held in April 2025. The contributions collected here span applications from automated equation discovery and emergent-phenomena modelling to the construction of compact emulators for computationally expensive simulations. The introductory review outlines the conceptual foundations of SR, contrasts it with conventional regression approaches, and surveys its main use cases in the physical sciences, including the derivation of effective theories, empirical functional forms and surrogate models. We summarise methodological considerations such as search-space design, operator selection, complexity control, feature selection, and integration with modern AI approaches. We also highlight ongoing challenges, including scalability, robustness to noise, overfitting and computational complexity. Finally we emphasise emerging directions, particularly the incorporation of symmetry constraints, asymptotic behaviour and other theoretical information. Taken together, the papers in this Special Issue illustrate the accelerating progress of SR and its growing relevance across the physical sciences.
- Abstract（参考訳）: シンボリック回帰(SR)は、データから解釈可能な数学的関係を明らかにする強力な方法として現れ、科学的発見と効率的な経験的モデリングの両方への新たな経路を提供する。
本稿は,2025年4月に開催された王立協会の討論会をモチベーションとした,物理科学の象徴的回帰に関する特集を紹介する。
ここで収集された貢献は、自動方程式発見や創発フェノメナモデリングから、計算コストのかかるシミュレーションのためのコンパクトエミュレータの構築まで、幅広い。
序文では、SRの概念的基礎を概説し、従来の回帰アプローチと対比し、有効理論の導出、経験的機能形式、代理モデルなど、物理科学におけるその主なユースケースを調査している。
本稿では,探索空間設計,演算子選択,複雑性制御,特徴選択,現代的なAIアプローチとの統合といった方法論的考察を要約する。
また、スケーラビリティ、ノイズに対する堅牢性、過度な適合性、計算複雑性など、進行中の課題も強調します。
最後に,新たな方向,特に対称性制約,漸近的行動,その他の理論的情報の導入を強調した。
この特集の論文は、SRの進歩の加速と、その物理科学における関連性の増大を物語っている。
関連論文リスト
- Unveiling the Actual Performance of Neural-based Models for Equation Discovery on Graph Dynamical Systems [45.11208589443806]
グラフのためのKAN(Kolmogorov-Arnold Networks)は、その固有の解釈可能性を活用するように設計されている。
カンは基礎となる記号方程式の同定に成功し、既存の基底線をはるかに上回った。
本研究は,モデル表現性と解釈可能性のトレードオフを明らかにするための実践的ガイドを提供する。
論文 参考訳（メタデータ） (2025-08-25T16:25:50Z) - High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。
近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。
機能適応型INR(FA-INR)を提案する。
論文 参考訳（メタデータ） (2025-06-07T16:45:17Z) - Graph Neural Ordinary Differential Equations for Coarse-Grained Socioeconomic Dynamics [0.0]
時空間社会経済力学をモデル化するためのデータ駆動型機械学習手法を提案する。
我々の研究結果は、ボルチモアのケーススタディから、この機械学習で強化された粗い粒度モデルが強力な機器であることを示している。
論文 参考訳（メタデータ） (2024-07-25T15:12:46Z) - Discovering physical laws with parallel symbolic enumeration [67.36739393470869]
並列記号列挙法(PSE)を導入し,限られたデータから汎用数学的表現を効率的に抽出する。
実験の結果,PSEは最先端のベースラインアルゴリズムと比較して精度が高く,計算速度も速いことがわかった。
PSEは、記号的、解釈可能なモデルの正確で効率的なデータ駆動による発見の進歩を表している。
論文 参考訳（メタデータ） (2024-07-05T10:41:15Z) - Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。
既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。
本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文 参考訳（メタデータ） (2023-12-30T17:05:31Z) - Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳（メタデータ） (2023-11-30T15:46:22Z) - 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) - AI-Assisted Discovery of Quantitative and Formal Models in Social
Science [6.39651637213537]
本システムは,経済・社会学における実世界のデータから解釈可能なモデルを発見するのに有効であることを示す。
本稿では,このAI支援フレームワークが,社会科学研究でよく用いられるパラメトリックモデルと非パラメトリックモデルとを橋渡しすることができることを提案する。
論文 参考訳（メタデータ） (2022-10-02T16:25:47Z)
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。