論文の概要: Discovering Multiscale Deep Formulas in Complex Systems via Neural-Guided Lambda Calculus

• arxiv url: http://arxiv.org/abs/2606.07426v1
• Date: Fri, 05 Jun 2026 16:21:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.845936
• Title: Discovering Multiscale Deep Formulas in Complex Systems via Neural-Guided Lambda Calculus
• Title（参考訳）: ニューラルガイド型ラムダ計算による複雑系における大規模深部方程式の発見
• Authors: Hanqiao Yu, Shusen Yang, Xuebin Ren, Cong Zhao,
• Abstract要約: 複雑なシステムからマルチスケールな公式を自動的に抽出するエンドツーエンドのAI手法であるDeflexを提案する。 デフレックスは最先端の手法よりも7倍高い効率を達成する。
• 参考スコア（独自算出の注目度）: 11.796828099296397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental problem in science is identifying underlying patterns of complex systems in the form of concise mathematical formulas. Current Artificial Intelligence (AI)-based methods have shown strong performance in single-scale systems, yet remain limited in identifying scale-specific formulas in multiscale complex systems. We present Deflex, an end-to-end AI method to automatically extract multiscale formulas with potentially different forms, including invariants and distributions, from complex systems. Deflex consists of two subsystems named Deflexformer and Deflexpressor. Deflexpressor is a lambda-calculus symbolic regression model for higher-order formulas. Deflexformer is a decomposable deep energy model for learning unified representations across scales. Deflexpressor generates synthetic data to pre-train Deflexformer, which then guides formula discovery by decoupling multiscale latent relationships. Across six representative complex systems with diverse behaviors, Deflex achieves up to 7-fold higher efficiency than the state-of-the-art methods while enabling automated multiscale discovery. Our work could be a useful tool for scientific discovery across disciplines.
• Abstract（参考訳）: 科学における根本的な問題は、簡潔な数学的公式の形で複雑なシステムの根底にあるパターンを特定することである。 現在のAI(Artificial Intelligence)ベースの手法は、シングルスケールシステムでは高い性能を示してきたが、マルチスケール複雑なシステムでは、スケール固有の公式を特定することにはまだ限界がある。 Deflexは、複雑なシステムから不変量や分布を含む潜在的に異なる形のマルチスケール公式を自動的に抽出するエンドツーエンドAI手法である。 DeflexはDeflexformerとDeflexpressorという2つのサブシステムから構成される。 デフレックスプレッサー(Deflexpressor)は、高次式に対するラムダ計算のシンボリック回帰モデルである。 デフレキシフォーマー(Deflexformer)は、スケールにまたがる統一表現を学習するための分解可能な深部エネルギーモデルである。 Deflexpressorは、事前訓練されたDeflexformerに合成データを生成し、その後、多スケールの潜伏関係を疎結合して公式発見を誘導する。 多様な振る舞いを持つ6つの代表的な複雑なシステムに対して、Deflexは最先端の手法よりも最大7倍の効率を実現し、自動マルチスケール発見を実現している。 私たちの研究は、分野をまたいだ科学的発見に役立つツールかもしれません。

関連論文リスト

• Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations [56.78271181959529]
  GAM(Generalized Additive Models)は、変数とターゲットの間の非線形関係をキャプチャできるが、複雑な特徴相互作用をキャプチャすることはできない。 本稿では,GAMのフレキシブルな形状関数と,数学的表現に見られる複雑な特徴相互作用を融合させる形状表現算術(SHARE)を提案する。 また、標準制約を超えた表現の透明性を保証するSHAREを構築するための一連のルールを設計する。
  論文  参考訳（メタデータ） (2024-04-15T13:44:01Z)
• Data driven modeling for self-similar dynamics [1.0790314700764785]
  本稿では,自己相似性を先行知識として組み込んだマルチスケールニューラルネットワークフレームワークを提案する。 決定論的ダイナミクスの場合、我々のフレームワークは力学が自己相似かどうかを識別できる。 本手法は,自己相似システムにおける電力法指数を同定する。
  論文  参考訳（メタデータ） (2023-10-12T12:39:08Z)
• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Multiscale Neural Operator: Learning Fast and Grid-independent PDE Solvers [0.0]
  大規模力学をシミュレーションするために、既知の物理を生かしたハイブリッド・フレキシブル・サロゲートモデルを提案する。 グリッド非依存、非ローカル、フレキシブルなパラメトリゼーションを学ぶのは、私たちが初めてです。
  論文  参考訳（メタデータ） (2022-07-23T05:01:03Z)
• Bi-fidelity Modeling of Uncertain and Partially Unknown Systems using DeepONets [0.0]
  本稿では,複雑な物理系に対する双方向モデリング手法を提案する。 我々は、小さなトレーニングデータセットが存在する場合、真のシステムの応答と低忠実度応答の相違をモデル化する。 パラメトリック不確実性を持ち、部分的には未知なモデルシステムにアプローチを適用する。
  論文  参考訳（メタデータ） (2022-04-03T05:30:57Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。