論文の概要: Discovery of Interpretable Physical Laws in Materials via Language-Model-Guided Symbolic Regression

• arxiv url: http://arxiv.org/abs/2602.22967v1
• Date: Thu, 26 Feb 2026 13:05:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.695668
• Title: Discovery of Interpretable Physical Laws in Materials via Language-Model-Guided Symbolic Regression
• Title（参考訳）: 言語モデルを用いた記号回帰による材料中の解釈可能な物理法則の発見
• Authors: Yifeng Guan, Chuyi Liu, Dongzhan Zhou, Lei Bai, Wan-jian Yin, Jingyuan Li, Mao Su,
• Abstract要約: 本稿では,大規模言語モデルに埋め込まれた科学的知識を活用することにより,探索プロセスの指針となるフレームワークを提案する。 ペロブスカイト材料の鍵特性をモデル化し,本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 19.320818925668693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering interpretable physical laws from high-dimensional data is a fundamental challenge in scientific research. Traditional methods, such as symbolic regression, often produce complex, unphysical formulas when searching a vast space of possible forms. We introduce a framework that guides the search process by leveraging the embedded scientific knowledge of large language models, enabling efficient identification of physical laws in the data. We validate our approach by modeling key properties of perovskite materials. Our method mitigates the combinatorial explosion commonly encountered in traditional symbolic regression, reducing the effective search space by a factor of approximately $10^5$. A set of novel formulas for bulk modulus, band gap, and oxygen evolution reaction activity are identified, which not only provide meaningful physical insights but also outperform previous formulas in accuracy and simplicity.
• Abstract（参考訳）: 高次元データから解釈可能な物理法則を発見することは、科学研究における根本的な課題である。 記号回帰のような伝統的な手法は、可能な形の広大な空間を探索する際に、しばしば複雑で非物理的な公式を生成する。 本研究では,大規模言語モデルに埋め込まれた科学的知識を活用し,データ中の物理法則の効率的な同定を可能にすることによって,探索プロセスの指針となるフレームワークを提案する。 ペロブスカイト材料の鍵特性をモデル化し,本手法の有効性を検証した。 本手法は,従来の記号回帰において発生する組合せ的爆発を緩和し,有効探索空間を約10^5$の係数で低減する。 バルク率、バンドギャップ、酸素進化反応の一連の新しい公式が同定され、意味のある物理的洞察を提供するだけでなく、精度と単純さにおいて以前の公式よりも優れていた。

関連論文リスト

• Iterated Agent for Symbolic Regression [5.401750491164173]
  本稿では,Large Language Models (LLM) を進化的探索のセマンティック演算子として利用するフレームワークであるIdeanSearchFitterを紹介する。 自然言語の合理性によって導かれる候補表現を生成することにより,本手法は,正確なだけでなく,概念的に一貫性があり,解釈可能なモデルへの発見をバイアスする。
  論文  参考訳（メタデータ） (2025-10-09T15:02:56Z)
• Learning Simulatable Models of Cloth with Spatially-varying Constitutive Properties [8.144604823689834]
  本稿では,複合材料の効果を捉える簡易で効率的な代理モデルを学習するための一般フレームワークであるMass-Spring Netを提案する。 グラフベースネットワークやニューラルODEアーキテクチャと比較して,本手法はトレーニング時間を大幅に高速化し,再構築精度を向上し,新しい動的シナリオへの一般化を向上する。
  論文  参考訳（メタデータ） (2025-07-28T19:21:04Z)
• 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)
• 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。