論文の概要: Evolutionary Algorithm-Guided LLMs for Physics-Informed Neural Network Design

• arxiv url: http://arxiv.org/abs/2607.15560v1
• Date: Fri, 17 Jul 2026 02:03:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.734625
• Title: Evolutionary Algorithm-Guided LLMs for Physics-Informed Neural Network Design
• Title（参考訳）: 進化的アルゴリズム誘導型LLMによる物理インフォームドニューラルネットワーク設計
• Authors: Xu Yang, Mingyang Yu, Jing Xu, Keqian Li,
• Abstract要約: 物理情報ニューラルネットワーク(PINN)は、アーキテクチャ、アクティベーション、損失重み付け、コロケーション、最適化、制約執行の相互作用に敏感である。 大規模言語モデル(LLM)はこれらの選択を提案できるが、独立したレコメンデーションは以前に訓練されたPINNからの経験を蓄積しない。 本研究では,LLMを誘導する閉ループ進化アルゴリズムを提案し,各世代にまたがる完全かつ実行可能なPINN構成を生成する。
• 参考スコア（独自算出の注目度）: 10.706452586705375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) are unusually sensitive to interacting choices of architecture, activation, loss weighting, collocation, optimization, and constraint enforcement. Large language models (LLMs) can propose these choices, but independent recommendations do not accumulate experience from previously trained PINNs. We propose a closed-loop evolutionary algorithm that guides an LLM to generate complete, executable PINN configurations across generations, using measured training outcomes to determine subsequent search decisions. The algorithm maintains an evaluated population and lineage, applies parent-conditioned mutation and crossover, preserves elite and diverse solutions, rejects effective duplicates, and converts parent-relative successes and failures into the next-generation context supplied to the LLM. Every proposed configuration is executed directly under an exact optimizer-step budget. On a one-dimensional multiscale wave equation, two independent ten-generation runs trained 60 PINNs for 600,000 optimizer steps. In both runs, the best configuration appeared in the final generation, with best mean-squared error reduced by 2.97\% and 95.38\% relative to the initial population. The stronger run validated residual connections and increased depth on separate branches, combined them in a later generation, and then refined width and collocation density. It also revealed that low solution error can coexist with a high PDE residual. These results demonstrate the feasibility of evolutionary-algorithm-guided LLMs for PINN design on a controlled PDE while motivating broader, physics-aware evaluation.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、アーキテクチャ、アクティベーション、損失重み付け、コロケーション、最適化、制約執行の相互作用に非常に敏感である。 大規模言語モデル(LLM)はこれらの選択を提案できるが、独立したレコメンデーションは以前に訓練されたPINNからの経験を蓄積しない。 そこで本研究では,LLM を用いて複数世代にわたる完全かつ実行可能な PINN 構成を導出するクローズドループ進化アルゴリズムを提案する。 このアルゴリズムは、評価された個体数と系統を維持し、親条件の突然変異と交叉を施し、エリートで多様な解決策を保存し、効果的な複製を拒絶し、親関係の成功と失敗をLLMに供給される次世代の文脈に変換する。 提案されたすべての構成は、正確なオプティマイザステップの予算の下で直接実行される。 1次元の多次元波動方程式では、2つの独立した10世代が60,000の最適化ステップに対して60個のPINNを訓練した。 どちらのレースでも、最良構成は最終世代に現れ、平均二乗誤差は初期人口に対して2.97\%と95.38\%に減少した。 強い走行は残留接続を検証し、別々の枝の深さを増大させ、それらを後の世代に組み合わせ、幅とコロケーション密度を改良した。 また、低解誤差は高いPDE残差と共存可能であることも明らかにした。 これらの結果から, 制御されたPDE上でのPINN設計のための進化的アルゴリズム誘導型LLMの実現可能性を示した。

関連論文リスト

• Do physics-informed neural networks (PINNs) need to be deep? Shallow PINNs using the Levenberg-Marquardt algorithm [0.0]
  本研究では、非線形偏微分方程式(PDE)の前方および逆問題に対する浅い物理インフォームドニューラルネットワーク(PINN)の利用について検討する。 提案手法は、バーガーズ、シュルディンガー、アレン・カーン、および3次元ブラトゥー方程式を含むいくつかのベンチマーク問題で検証される。
  論文  参考訳（メタデータ） (2026-02-09T11:05:57Z)
• REvolution: An Evolutionary Framework for RTL Generation driven by Large Language Models [2.127921199213507]
  LLM(Large Language Models)は、レジスター-トランスファーレベル(RTL)コード生成に使用される。 本稿では,進化計算(EC)とLLMを組み合わせて自動RTL生成と最適化を行うフレームワークであるRevolutionを紹介する。
  論文  参考訳（メタデータ） (2025-10-24T12:50:35Z)
• HyPINO: Multi-Physics Neural Operators via HyperPINNs and the Method of Manufactured Solutions [16.904297509040777]
  パラメトリックPDEの幅広いクラスにまたがるゼロショット一般化のために設計された多物理ニューラル演算子であるHyPINOについて述べる。 このモデルは、PDEパラメトリゼーションをターゲットとする物理情報ニューラルネットワーク(PINN)にマッピングし、線形楕円型、双曲型、放物型方程式を2次元で扱うことができる。 HyPINOは、PINNによる7つのベンチマーク問題、U-Net、文学、物理インフォームドニューラル演算子(PINO)よりも優れたゼロショット精度を実現している。
  論文  参考訳（メタデータ） (2025-09-05T13:59:25Z)
• Efficiently Training Deep-Learning Parametric Policies using Lagrangian Duality [55.06411438416805]
  制約付きマルコフ決定プロセス(CMDP)は、多くの高度な応用において重要である。 本稿では,パラメトリックアクターポリシーを効率的に訓練するための2段階深度決定規則(TS-DDR)を提案する。 現状の手法と比較して, 解の質を高め, 数桁の計算時間を削減できることが示されている。
  論文  参考訳（メタデータ） (2024-05-23T18:19:47Z)
• RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法として広く応用されている。 本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。 実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
  論文  参考訳（メタデータ） (2024-05-23T09:45:57Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。