論文の概要: DISCOVER: A Physics-Informed, GPU-Accelerated Symbolic Regression Framework

• arxiv url: http://arxiv.org/abs/2602.06986v1
• Date: Tue, 27 Jan 2026 16:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-15 14:54:53.682307
• Title: DISCOVER: A Physics-Informed, GPU-Accelerated Symbolic Regression Framework
• Title（参考訳）: DISCOVER: 物理インフォームされたGPU駆動のシンボリック回帰フレームワーク
• Authors: Udaykumar Gajera, Mohsen Sotoudeh, Kanchan Sarkar, Axel Groß,
• Abstract要約: シンボリック回帰(SR)は、実験データとシミュレーションデータから解釈可能な数学的関係の発見を可能にする。 本稿では,これらの課題を解決するために,モジュラーな物理動機を持つ設計によって開発されたオープンソースのシンボルレグレッションパッケージであるdisCOVERを紹介する。 このソフトウェアは計算物理学、計算化学、材料科学の応用を目的としており、解釈可能性、物理的整合性、実行時間が重要である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic Regression (SR) enables the discovery of interpretable mathematical relationships from experimental and simulation data. These relationships are often coined descriptors which are defined as a fundamental materials property that is directly correlated to a desired or undesired functional property of the material. Although established approaches such as Sure Independence Screening and Sparsifying Operator (SISSO) have successfully identified low-dimensional descriptors within large feature spaces many existing SR tools integrate poorly with modern Python workflows, offer limited control over the symbolic search space, or struggle with the computational demands of large-scale studies. This paper introduces DISCOVER (Data-Informed Symbolic Combination of Operators for Variable Equation Regression), an open-source symbolic regression package developed to address these challenges through a modular, physics-motivated design. DISCOVER allows users to guide the symbolic search using domain knowledge, constrain the feature space explicitly, and take advantage of optional GPU acceleration to improve computational efficiency in data-intensive workflows, enabling reproducible and scalable SR workflows. The software is intended for applications in computational physics, computational chemistry, and materials science, where interpretability, physical consistency, and execution time are especially important, and it complements general-purpose SR frameworks by emphasizing the discovery of physically meaningful models.
• Abstract（参考訳）: シンボリック回帰(SR)は、実験データとシミュレーションデータから解釈可能な数学的関係の発見を可能にする。 これらの関係はしばしば、基本的な材料特性として定義され、その材料が望まれるあるいは望ましくない機能特性と直接的に相関する記述子である。 SISSO(Sure Independence Screening)やSparsifying Operator(Sparsifying Operator)のような確立されたアプローチは、大きな特徴空間内の低次元記述子を識別することに成功しているが、多くの既存のSRツールは、現代のPythonワークフローとうまく統合せず、シンボル検索空間を限定的に制御したり、大規模研究の計算要求に対処したりしている。 本稿では,DECVER (Data-Informed Symbolic Combination of Operators for Variable Equation Regression)について述べる。 DISCOVERは、ドメイン知識を使用してシンボル検索をガイドし、機能空間を明示的に制約し、オプションのGPUアクセラレーションを活用して、データ集約ワークフローの計算効率を改善し、再現可能でスケーラブルなSRワークフローを可能にする。 このソフトウェアは計算物理学、計算化学、材料科学の応用を目的としており、解釈可能性、物理的整合性、実行時間が特に重要であり、物理的に意味のあるモデルの発見を強調することで汎用的なSRフレームワークを補完する。

関連論文リスト

• Introduction to Symbolic Regression in the Physical Sciences [0.41998444721319217]
  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。
  論文  参考訳（メタデータ） (2025-12-17T19:32:50Z)
• ASP-Assisted Symbolic Regression: Uncovering Hidden Physics in Fluid Mechanics [0.34952465649465553]
  本研究は, 矩形流路内の3次元非圧縮性流れをモデル化するために, シンボリック回帰を適用した。 PySRライブラリを利用することで、数値シミュレーションデータから直接コンパクトな記号方程式を導出した。 本稿では,SR と Answer Set Programming の知識表現フレームワークを統合する革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-07-22T15:16:20Z)
• DrSR: LLM based Scientific Equation Discovery with Dual Reasoning from Data and Experience [14.093206703519103]
  DrSRは、データ駆動の洞察と反射学習を組み合わせて、堅牢性と発見能力の両方を強化するフレームワークである。 物理学、化学、生物学、材料科学における学際的なデータセットにわたる実験は、DrSRが有効な方程式率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-06-04T04:52:34Z)
• Interpretable Robotic Friction Learning via Symbolic Regression [52.41267112707149]
  ロボット関節における摩擦トルクの正確なモデリングは、堅牢な数学的記述の要求により、長い間困難であった。 伝統的なモデルに基づくアプローチは、しばしば労働集約的であり、広範な実験と専門家の知識を必要とする。 ニューラルネットワークに基づくデータ駆動方式は実装が容易だが、堅牢性に欠けることが多い。
  論文  参考訳（メタデータ） (2025-05-19T14:44:02Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• TorchSISSO: A PyTorch-Based Implementation of the Sure Independence Screening and Sparsifying Operator for Efficient and Interpretable Model Discovery [0.0]
  記号回帰(SR)は、代数モデルの構造とパラメータの両方を探索する強力な機械学習手法である。 本稿では、PyTorchフレームワーク上に構築されたPythonネイティブ実装であるTorchSISSOを紹介する。 我々は,TorchSISSOが本来のSISSOの性能と様々なタスクで一致しているか,上回っていることを実証する。
  論文  参考訳（メタデータ） (2024-10-02T17:02:17Z)
• 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)
• 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)

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。