論文の概要: Discovery of Interpretable Surrogates via Agentic AI: Application to Gravitational Waves

• arxiv url: http://arxiv.org/abs/2605.11280v1
• Date: Mon, 11 May 2026 22:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.450059
• Title: Discovery of Interpretable Surrogates via Agentic AI: Application to Gravitational Waves
• Title（参考訳）: エージェントAIによる解釈可能なサロゲートの発見:重力波への応用
• Authors: Tousif Islam, Digvijay Wadekar, Tejaswi Venumadhav, Matias Zaldarriaga, Ajit Kumar Mehta, Javier Roulet, Barak Zackay,
• Abstract要約: シミュレーションデータから直接解釈可能な解析サロゲートを構成する大言語モデル(LLM)ベースのワークフローである textttGWAgent を提案する。 物理インフォームド・ドメイン・アンサッツをエージェントに提供することにより,出力モデルの精度が大幅に向上することを示す。 その結果、解析的サロゲートは6.9times10-4$という中央値のLIGOミスマッチと、波形評価における$sim 8.4times$のスピードアップを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fast surrogate models for expensive simulations are now essential across the sciences, yet they typically operate as black boxes. We present \texttt{GWAgent}, a large language model (LLM)-based workflow that constructs interpretable analytic surrogates directly from simulation data. Surrogate modeling is well suited to agentic workflows because candidate models can be quantitatively validated against ground-truth simulations at each iteration. As a demonstration, we build a surrogate for gravitational waveforms from eccentric binary black hole mergers. We show that providing the agent with a physics-informed domain ansatz substantially improves output model accuracy. The resulting analytic surrogate attains a median Advanced LIGO mismatch of $6.9\times10^{-4}$ together with an $\sim 8.4\times$ speedup in waveform evaluation, surpassing both symbolic regression and conventional machine learning baselines. Beyond producing an accurate model, the workflow identifies compact physical structure from the learned representation. As an astrophysical application, we use \texttt{GWAgent} to analyze the eccentricity of GW200129 and infer $e_{20\mathrm{Hz}}=0.099^{+0.063}_{-0.044}$. These results show that validation-constrained agentic workflows can produce accurate, fast, and interpretable surrogates for scientific simulations and inference.
• Abstract（参考訳）: 高価なシミュレーションのための高速サロゲートモデルは、現在では科学において必須となっているが、通常はブラックボックスとして動作する。 シミュレーションデータから直接解釈可能な解析サロゲートを構成する大言語モデル (LLM) ベースのワークフローである \texttt{GWAgent} を提案する。 代理モデリングはエージェントのワークフローによく適している。なぜなら、候補モデルは各イテレーションにおいて、基底真実シミュレーションに対して定量的に検証できるからである。 実演として、偏心二元ブラックホール融合による重力波形のサロゲートを構築する。 物理インフォームド・ドメイン・アンサッツをエージェントに提供することにより,出力モデルの精度が大幅に向上することを示す。 その結果得られた解析的サロゲートは、6.9\times10^{-4}$と$\sim 8.4\times$の波形評価で中央値のLIGOミスマッチを達成し、シンボルレグレッションと従来の機械学習ベースラインを上回ります。 ワークフローは正確なモデルを生成するだけでなく、学習した表現からコンパクトな物理構造を識別する。 天体物理学的な応用として、GW 200129 の偏心性を解析するために \texttt{GWAgent} を用い、e_{20\mathrm{Hz}}=0.099^{+0.063}_{-0.044}$ を推論する。 これらの結果は、検証に制約のあるエージェントワークフローが、科学的シミュレーションと推論のために正確で、高速で、解釈可能なサロゲートを生成することを示している。

関連論文リスト

• gwBenchmarks: Stress-Testing LLM Agents on High-Precision Gravitational Wave Astronomy [2.316169407465118]
  現代の重力波天文学は、しばしば何ヶ月もの大学院レベルの努力を必要とするモデリングタスクに依存している。 我々は、最先端のLCM符号化エージェントが、このようなエンドツーエンドの科学的モデリングを行うことができるかどうかを考察する。 重力波解析計算と数値シミュレーションに基礎を置く8つのタスクの組であるgwBenchmarksを紹介した。
  論文  参考訳（メタデータ） (2026-05-11T21:47:22Z)
• 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)
• Tests for model misspecification in simulation-based inference: from local distortions to global model checks [2.0209172586699173]
  我々は、広範囲のモデル不一致分析タスクに対して、堅牢で柔軟な基盤を提供する。 我々は、異常検出、モデル検証、良質な残差分析といった古典的手法に明確な分析接続を行う。 本稿では, 実際の重力波データ, 特にGW150914について, このような歪み駆動型モデルの不特定試験を行う方法を示す。
  論文  参考訳（メタデータ） (2024-12-19T17:48:03Z)
• Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
  機械学習シュロゲートモデルが10%未満の絶対パーセンテージ誤差を達成可能であることを示す。 このワークフローを,将来的な管理帯水層帯水層における飽和地下水流動のシミュレーションに応用する。 MLサロゲートモデルは10%の平均的な絶対パーセンテージエラーと、高次実行時の保存を達成できる。
  論文  参考訳（メタデータ） (2024-07-30T15:24:27Z)
• Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
  シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。 本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。 特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
  論文  参考訳（メタデータ） (2023-07-07T15:42:35Z)
• Fast and realistic large-scale structure from machine-learning-augmented random field simulations [0.0]
  我々は、予測された対数正規ダークマター密度場をより現実的なダークマターマップに変換するために機械学習モデルを訓練する。 本研究では,フィールド分解能,赤方偏移,宇宙論的パラメータの異なる様々な統計的テストと比較したモデルの性能を示す。
  論文  参考訳（メタデータ） (2022-05-16T18:00:01Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)

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。