論文の概要: LLM-ACES: Closed-Loop Discovery of Dynamical Systems with LLM-Guided Adaptive Search

• arxiv url: http://arxiv.org/abs/2606.25039v1
• Date: Tue, 23 Jun 2026 18:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.108752
• Title: LLM-ACES: Closed-Loop Discovery of Dynamical Systems with LLM-Guided Adaptive Search
• Title（参考訳）: LLM-ACES: LLM-Guided Adaptive Searchを用いた動的システムの閉ループ探索
• Authors: Nikhil Abhyankar, Sha Li, Sanchit Kabra, Naren Ramakrishnan, Yulia Gel, Chandan K. Reddy,
• Abstract要約: シンボル仮説構築と適応データ取得を協調的に最適化する閉ループフレームワーク LLM-ACES を紹介する。 ODEBenchとODEBaseにまたがる122のODEシステムにおいて、LLM-ACESは最小の中央値NMSEを達成し、最先端のベースラインを桁違いに上回っている。 さらに, LLM-ACESはサンプリング効率が高く, データの10分の1で性能が向上した。
• 参考スコア（独自算出の注目度）: 26.421111167787448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering governing Ordinary Differential Equations (ODEs) from data is a central challenge in modeling dynamical systems across scientific domains. Existing approaches cast discovery as a static inference problem over fixed datasets, assuming that the observed trajectories are sufficiently informative. However, dynamical systems evolve over large state spaces, and limited data can make multiple equations observationally indistinguishable, leading to identifiability gaps and the recovery of incorrect governing equations. To address this, we introduce LLM-ACES, or LLM-guided Active Closed-loop Equation Search, a closed-loop framework that jointly optimizes symbolic hypothesis construction and adaptive data acquisition. In LLM-ACES, a large language model (LLM) proposes operator priors that partition the large search space into distinct regions, within which candidate equations are fit to the observed data. The disagreement among these candidates guides the acquisition of informative trajectories, creating a feedback loop that iteratively refines both the hypothesis space and the discovered dynamics. On 122 ODE systems spanning ODEBench and ODEBase, LLM-ACES achieves the lowest median NMSE, outperforming state-of-the-art baselines by several orders of magnitude while achieving a high symbolic accuracy of 46.2% and 52.4%, respectively. Our analysis further shows that LLM-ACES is sample-efficient, achieving better performance with one-tenth the data. Furthermore, LLM-ACES's feedback-driven data acquisition makes it robust to noise and recovers the correct symbolic structure, while baselines introduce spurious terms that fit the data locally but obscure the true governing relationships.
• Abstract（参考訳）: データから通常の微分方程式(ODE)を復元することは、科学領域にわたって動的システムをモデル化する上で重要な課題である。 既存のアプローチでは、観測された軌跡が十分に情報化されていると仮定して、固定されたデータセットに対する静的な推論問題としてキャスト発見がある。 しかし、力学系は大きな状態空間上で進化し、限られたデータは複数の方程式を観察的に区別不能にし、識別可能性ギャップと誤った支配方程式の回復につながる。 これを解決するために,シンボル仮説構築と適応データ取得を協調的に最適化するクローズドループフレームワーク LLM-ACES や LLM-Guided Active Closed-loop Equation Search を導入する。 LLM-ACESでは、大きな言語モデル(LLM)が、大きな探索空間を異なる領域に分割する演算子を提案しており、そこでは候補方程式が観測データに適合する。 これらの候補間の不一致は、情報的軌跡の獲得を導くものであり、仮説空間と発見された力学の両方を反復的に洗練するフィードバックループを作成する。 ODEBenchとODEBaseにまたがる122のODEシステムでは、LDM-ACESは最低中央値のNMSEを達成し、それぞれ46.2%と52.4%という高い記号精度を達成し、最先端のベースラインを桁違いに上回っている。 さらに, LLM-ACESはサンプリング効率が高く, データの10分の1で性能が向上した。 さらに、LLM-ACESのフィードバック駆動データ取得はノイズに頑健であり、正しいシンボル構造を復元する。

関連論文リスト

• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Programmatic Context Augmentation for LLM-based Symbolic Regression [65.01826333382738]
  大規模言語モデル(LLM)に基づく進化的探索手法が記号回帰に導入されている。 本稿では,プログラム的文脈拡張を取り入れたLLMに基づく進化的検索フレームワークを提案する。 本手法では,データ解析と情報信号抽出を積極的に行うことができる。
  論文  参考訳（メタデータ） (2026-05-04T19:34:03Z)
• LLM-ODE: Data-driven Discovery of Dynamical Systems with Large Language Models [0.4419843514606336]
  遺伝的プログラミング(GP)はその柔軟性と解釈性のために広く採用されている。 LLM-ODEは,上位候補方程式から抽出したパターンを用いて,記号的進化を導く,大規模言語モデル支援モデル探索フレームワークである。
  論文  参考訳（メタデータ） (2026-03-21T18:46:38Z)
• Pushing LLMs to Their Logical Reasoning Bound: The Role of Data Reasoning Intensity [59.27594125465172]
  データ推論強度 (Data Reasoning Intensity, DRI) は, サンプルの潜在論理的推論複雑性を定量化する新しい指標である。 次に、学習データの論理的推論強度を体系的に強化する再認識最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-09-29T14:20:04Z)
• Can Large Language Models Integrate Spatial Data? Empirical Insights into Reasoning Strengths and Computational Weaknesses [11.330846631937671]
  我々は,大規模で異質で騒々しい都市空間データセットの統合において,ドメインエキスパートに力を与えるために,大規模言語モデル(LLM)の適用について検討する。 LLMは空間的推論能力を示すが、マクロスケール環境と関連する計算幾何学的タスクを結びつけるのに苦労している。 この手法は, 正確な応答を保ちながら, 誤った初期応答の補正に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2025-08-07T03:44:20Z)
• Towards Efficient Multi-LLM Inference: Characterization and Analysis of LLM Routing and Hierarchical Techniques [14.892995952768352]
  言語モデル(LM)は、テキスト生成、要約、質問応答といったタスクに優れています。 彼らの推論は計算コストが高く、ハードウェア、電力、帯域幅に制限のある設定でエネルギーを集中的に消費する。 近年のアプローチでは、クエリの複雑さに基づいて、動的に計算資源を割り当てる複数のLLMインテリジェントモデル選択戦略が導入されている。
  論文  参考訳（メタデータ） (2025-06-06T23:13:08Z)
• 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)
• Diversity as a Reward: Fine-Tuning LLMs on a Mixture of Domain-Undetermined Data [54.3895971080712]
  多様なデータセットを使用した細調整された大規模言語モデル(LLM)は、さまざまな領域にわたる全体的なパフォーマンス向上に不可欠である。 本稿では,LLMに2つのアイデンティティを与える新しい手法を提案する。多様性報酬に基づいてデータを認知的に探索し,選択する出力モデルと,選択したデータに調整する入力モデルである。
  論文  参考訳（メタデータ） (2025-02-05T17:21:01Z)
• DARG: Dynamic Evaluation of Large Language Models via Adaptive Reasoning Graph [70.79413606968814]
  本稿では,適応推論グラフ展開(DARG)によるLCMの動的評価を導入し,複雑性と多様性を制御した現在のベンチマークを動的に拡張する。 具体的には、まず現在のベンチマークでデータポイントの推論グラフを抽出し、それから推論グラフを摂動させて新しいテストデータを生成する。 このような新しく生成されたテストサンプルは、元のベンチマークと同様の言語的多様性を維持しながら、複雑さのレベルが異なる可能性がある。
  論文  参考訳（メタデータ） (2024-06-25T04:27:53Z)
• Adapting LLMs for Efficient, Personalized Information Retrieval: Methods and Implications [0.7832189413179361]
  LLM(Large Language Models)は、人間に似たテキストの理解と生成に優れた言語モデルである。 本稿では,言語モデル(LLM)と情報検索(IR)システムの統合戦略について検討する。
  論文  参考訳（メタデータ） (2023-11-21T02:01:01Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)

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。