論文の概要: An Empirical Investigation of Neural ODEs and Symbolic Regression for Dynamical Systems
- arxiv url: http://arxiv.org/abs/2601.20637v1
- Date: Wed, 28 Jan 2026 14:23:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-29 15:46:06.968402
- Title: An Empirical Investigation of Neural ODEs and Symbolic Regression for Dynamical Systems
- Title（参考訳）: 力学系におけるニューラルネットワークとシンボリック回帰の実証的研究
- Authors: Panayiotis Ioannou, Pietro Liò, Pietro Cicuta,
- Abstract要約: 本研究では,NODEが新たな境界条件を効果的に外挿できることを示す。
SRは、入力変数の正しい選択に重点を置いているにもかかわらず、ノイズの多い基底構造データから方程式を回復することに成功した。
この最後の発見は今後の研究分野を浮き彫りにするものだが、NODEを使って限られたデータを豊かにすることは、科学的な発見に有望な新しいアプローチであることを示唆している。
- 参考スコア（独自算出の注目度）: 12.033026184739539
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately modelling the dynamics of complex systems and discovering their governing differential equations are critical tasks for accelerating scientific discovery. Using noisy, synthetic data from two damped oscillatory systems, we explore the extrapolation capabilities of Neural Ordinary Differential Equations (NODEs) and the ability of Symbolic Regression (SR) to recover the underlying equations. Our study yields three key insights. First, we demonstrate that NODEs can extrapolate effectively to new boundary conditions, provided the resulting trajectories share dynamic similarity with the training data. Second, SR successfully recovers the equations from noisy ground-truth data, though its performance is contingent on the correct selection of input variables. Finally, we find that SR recovers two out of the three governing equations, along with a good approximation for the third, when using data generated by a NODE trained on just 10% of the full simulation. While this last finding highlights an area for future work, our results suggest that using NODEs to enrich limited data and enable symbolic regression to infer physical laws represents a promising new approach for scientific discovery.
- Abstract（参考訳）: 複雑なシステムの力学を正確にモデル化し、それらの支配的な微分方程式を発見することは、科学的な発見を加速するための重要なタスクである。
2つの減衰振動系から得られたノイズの多い合成データを用いて、ニューラル正規微分方程式(NODE)の補間能力と、その基礎となる方程式を復元するシンボリック回帰(SR)の能力について検討する。
私たちの研究は3つの重要な洞察をもたらす。
まず,NODEが新たな境界条件を効果的に外挿できることを示す。
第二に、SRは入力変数の正しい選択に重点を置いているにもかかわらず、ノイズの多い基底構造データから方程式を回復することに成功した。
最後に、SRは3つの支配方程式のうち2つを回復し、3番目の近似は、完全なシミュレーションのわずか10%で訓練されたNODEによって生成されたデータを使用することで得られる。
この最後の発見は今後の研究の分野を浮き彫りにするものだが、NODEを使って限られたデータを豊かにし、物理法則を推論するシンボリックレグレッションを可能にすることは、科学的発見にとって有望な新しいアプローチであることを示唆している。
関連論文リスト
- Automated Discovery of Conservation Laws via Hybrid Neural ODE-Transformers [0.0]
そこで本稿では,ノイズのある軌道データから保存量の発見を自動化するハイブリッドフレームワークを提案する。
提案手法は,(1)システムの力学の連続的なモデルを学習するニューラル正規微分方程式,(2)学習ベクトル場上で条件付けられた記号的候補不変量を生成する変換器,(3)これらの候補の有効性を示す強力な数値証明を提供する記号的数値検証器の3つの要素を統合する。
論文 参考訳（メタデータ） (2025-10-30T17:32:04Z) - Continuous-Time SO(3) Forecasting with Savitzky--Golay Neural Controlled Differential Equations [51.510040541600176]
この研究は、$SO(3)$で連続時間回転オブジェクトの力学をモデル化することを提案する。
単純化された動作仮定に依存する既存の手法とは異なり、本手法は下層の物体軌道の一般的な潜在力学系を学習する。
実世界のデータに対する実験結果から、既存の手法と比較して魅力的な予測能力が示された。
論文 参考訳（メタデータ） (2025-06-07T12:41:50Z) - Reconstruction of dynamic systems using genetic algorithms with dynamic search limits [0.0]
時系列データを用いて動的システムの制御方程式を推定するために進化的計算手法が提案される。
本研究の主な貢献は、最小限のコントリビューションを持つ用語を除去するための遺伝的アルゴリズムの適切な修正と、局所的なオプティマから逃れるメカニズムである。
その結果,0.22未満の積分正方形誤差と,全系に対して0.99のR-二乗決定係数を用いて再構成を行った。
論文 参考訳（メタデータ） (2024-12-03T22:58:25Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - Learning Governing Equations of Unobserved States in Dynamical Systems [0.0]
我々は、部分的に観測された力学系の制御方程式を学習するために、ハイブリッドニューラルネットワークODE構造を用いる。
本手法は, 観測されていない状態の真の支配方程式の学習に有効であることを示す。
論文 参考訳（メタデータ） (2024-04-29T10:28:14Z) - Zero-shot Imputation with Foundation Inference Models for Dynamical Systems [5.549794481031468]
我々は,ODEによって決定されると仮定される時系列データの欠落を補うという古典的な問題に対して,新たな視点を提供する。
本稿では,いくつかの(隠れた)ODEを満たすパラメトリック関数を通じて,ゼロショット時系列計算のための新しい教師付き学習フレームワークを提案する。
我々は,1と同一(事前学習)の認識モデルが,63個の異なる時系列に対してゼロショット計算を行なえることを実証的に実証した。
論文 参考訳（メタデータ） (2024-02-12T11:48:54Z) - 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) - 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) - Active Learning in Symbolic Regression with Physical Constraints [0.4037357056611557]
進化的記号回帰(SR)は記号方程式をデータに適合させ、簡潔な解釈可能なモデルを与える。
本研究では,身体的制約のあるアクティブな学習環境において,どのデータを収集すべきかをSRを用いて提案する。
論文 参考訳（メタデータ） (2023-05-17T17:07:25Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Physics-informed learning of governing equations from scarce data [14.95055620484844]
本研究は, 偏微分方程式(PDE)を, 希少かつノイズの多い表現データから検出する物理インフォームド・ディープラーニング・フレームワークを提案する。
本手法の有効性とロバスト性は, 数値的にも実験的にも, 種々のPDEシステムの発見において実証される。
結果として得られる計算フレームワークは、実用的な応用における閉形式モデル発見の可能性を示している。
論文 参考訳（メタデータ） (2020-05-05T22:13:22Z)
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。