論文の概要: Automatic Ordinary Differential Equations Discovery For Biological Systems Using Large Language Model Powered Agentic System

• arxiv url: http://arxiv.org/abs/2607.13608v1
• Date: Wed, 15 Jul 2026 08:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.713394
• Title: Automatic Ordinary Differential Equations Discovery For Biological Systems Using Large Language Model Powered Agentic System
• Title（参考訳）: 大規模言語モデル駆動エージェントシステムを用いた生物システムのための正規微分方程式の自動探索
• Abstract要約: 常微分方程式モデルを発見するためのエージェントフレームワークであるMEDAシステムを紹介する。 MEDAは、背景知識を取得し、許容変数を定義し、機械的制約を生成し、候補ODEを提案し、それらを適合させ評価する。 我々は、標準モデル検索、未知の変種に対する推論に基づく外挿、そしてオープンエンドな発見にまたがってこれを評価した。
• 参考スコア（独自算出の注目度）: 5.239036758185077
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automatic scientific discovery has long been a goal of computational scholars - a machine that can discover nature's secrets on its own, moving computational systems beyond data-fitting tools toward the generation and refinement of mechanistic models of the universe. Recent advances in symbolic regression (SR) and large-language-model (LLM)-based agents suggest that such systems can recover equations from data, incorporate domain priors, and automate parts of the research workflow. However, most existing approaches either focus on narrow equation-discovery benchmarks or broad end-to-end automation pipelines, while biological systems remain comparatively underexplored. Here, we introduce the MEDA system, an LLM- and SR-powered agentic framework for discovering ordinary-differential-equation (ODE) models of biological and biologically inspired dynamical systems. MEDA retrieves background knowledge, defines admissible variables, generates mechanistic constraints, proposes candidate ODEs, and fits and evaluates them. We evaluate it across canonical model retrieval, reasoning-based extrapolation to unseen variants, and open-ended discovery, with and without experimental data. Across these settings, MEDA recovered the correct state variables, achieved strong structural recovery in retrieval and extrapolation tasks, and produced biologically plausible discovery-oriented models. Ablation and robustness analyses show that knowledge-guided formalization and mechanistic constraints are load-bearing components, whereas numerical fitting alone can preserve trajectory-compatible but biologically incorrect equations.
• Abstract（参考訳）: 自動科学的発見は、長い間、計算学者の目標であり、自然の秘密を自分自身で発見できる機械であり、宇宙の力学モデルの生成と洗練に向けて、データ適合ツールを超えて計算システムを移動させる。 シンボリック回帰(SR)と大規模言語モデル(LLM)に基づくエージェントの最近の進歩は、そのようなシステムがデータから方程式を復元し、ドメインの優先順位を組み入れ、研究ワークフローの一部を自動化することを示唆している。 しかしながら、既存のほとんどのアプローチは、狭い方程式発見ベンチマークや幅広いエンドツーエンドの自動化パイプラインにフォーカスする一方、生物学的システムは比較的過小評価されている。 本稿では,生物および生物学的にインスパイアされた力学系の常微分方程式(ODE)モデルを発見するための,LLMおよびSRを用いたエージェントフレームワークであるMEDAシステムを紹介する。 MEDAは、背景知識を取得し、許容変数を定義し、機械的制約を生成し、候補ODEを提案し、それらを適合させ評価する。 我々は、標準モデル検索、推論に基づく未知の変種への外挿、実験データと無関係なオープンエンドな発見にまたがってこれを評価した。 これらの設定全体で、MEDAは正しい状態変数を復元し、検索および外挿作業において強い構造回復を達成し、生物学的に妥当な発見指向モデルを生成する。 アブレーションとロバストネス分析は、知識誘導の形式化と機械的制約が負荷を伴う要素であることを示し、数値フィッティングだけでは軌道に適合するが生物学的に正しくない方程式を保存できることを示している。

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)
• Grammar-based Ordinary Differential Equation Discovery [1.5020330976600738]
  常微分方程式(ODE)の終端発見のための新しい枠組みを提案する。 提案手法は形式的形式性低減と高次元空間を効率的に探索するための探索を組み合わせたものである。 Godeは、最先端のトランスフォーマーベースのモデルよりもサンプリングとパラメータ効率が良いことを証明している。
  論文  参考訳（メタデータ） (2025-04-03T14:28:13Z)
• SODAs: Sparse Optimization for the Discovery of Differential and Algebraic Equations [0.0]
  Sparse Optimization for Differential-Algebraic Systems (SODAs) について紹介する。 SODAは、DAEを明示的な形で識別するためのデータ駆動方式である。 シミュレーションされた時系列データと実時間実験データの両方において、ノイズに対する頑健性を示す。
  論文  参考訳（メタデータ） (2025-03-08T00:29:00Z)
• Estimation of System Parameters Including Repeated Cross-Sectional Data through Emulator-Informed Deep Generative Model [5.3060535072023844]
  政治、経済学、生物学において、利用可能なデータは、しばしば異なる主題から異なる時点に独立して収集される。 従来の最適化手法は、RCSデータが様々な不均一性を示すとき、DECパラメータを正確に推定するのに苦労する。 エミュレータインフォームド・ディープジェネレーション・モデル(EIDGM)と呼ばれる新しい推定法を提案する。 EIDGMは物理インフォームドニューラルネットワークベースのエミュレータを統合しており、DECソリューションとワッサーシュタイン生成逆ネットワークベースのパラメータジェネレータを即座に生成する。
  論文  参考訳（メタデータ） (2024-12-27T08:19:23Z)
• Automating the Discovery of Partial Differential Equations in Dynamical Systems [0.0]
  適応型ラッソを用いてスパースレグレッションを利用して自動的にPDEを識別するARGOSフレームワークARGOS-RALの拡張を提案する。 各種ノイズレベルおよびサンプルサイズの下での標準PDEの同定におけるARGOS-RALの性能を厳格に評価した。 以上の結果から,ARGOS-ALはデータから基礎となるPDEを効果的かつ確実に同定し,ほとんどの場合において逐次しきい値リッジ回帰法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-25T09:23:03Z)
• 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)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Combining Machine Learning and Agent-Based Modeling to Study Biomedical Systems [0.0]
  エージェントベースモデリング(エージェントベースモデリング、ABM)は、構成体間の相互作用を通じて複雑なシステムをシミュレートするためのよく確立されたパラダイムである。 機械学習(ML)は、統計アルゴリズムがシステム行動の事前理論を課すことなく、自身のデータから'学習する'アプローチを指す。
  論文  参考訳（メタデータ） (2022-06-02T15:19:09Z)
• 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)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。