論文の概要: On the post-hoc Evaluation of PDE Discovery: A Multifaceted Challenge of Scientific Advancement

• arxiv url: http://arxiv.org/abs/2607.23753v1
• Date: Sun, 26 Jul 2026 16:58:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.219274
• Title: On the post-hoc Evaluation of PDE Discovery: A Multifaceted Challenge of Scientific Advancement
• Title（参考訳）: PDE発見のポストホック評価について:科学的進歩の多面的課題
• Abstract要約: 偏微分方程式 (Partial differential equation, PDE) は、物理系の法則をデータから特定することを目的としている。 検出されたPDEのポストホック評価は、特に多面体化の難しさを高める。 我々はPDE評価指標の最初の分類法を提案する。
• 参考スコア（独自算出の注目度）: 4.713325456998526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial differential equation (PDE) discovery aims to identify from data the governing law of a physical system. Constituting a cornerstone of scientific advancement, it has become during the past decade a major line of research in the rapidly evolving field of Physics-informed Machine Learning (PiML). Among the remaining open problems to address in this domain, the post-hoc evaluation of discovered PDEs raises the particular difficulty of being multifaceted. Indeed, it requires jointly considering predictive accuracy, physical consistency, interpretability, and out-of-distribution generalization capacity. Given that some of these properties are conflicting, it is worth noting that the wide range of existing evaluation metrics only partially address the overall problem, potentially leading to overly interpreted conclusions about the validity of a presumed new physical theory. From an abundant literature spanning machine learning, numerical analysis, information theory or symbolic regression, we propose, to our knowledge, the first taxonomy of PDE evaluation metrics, and discuss their advantages and limitations in depth. Based on the observation that evaluation is often achieved on a case-by-case basis and that a universally accepted methodology remains elusive, we further provide recommendations with the aim of promoting standardized and reliable practices, before sketching promising future lines of research in this field. We argue that this paper is intended both for ML experts who design new PDE discovery algorithms and for users of these methods aiming, in real applications, to discover and validate well-founded scientific laws.
• Abstract（参考訳）: 偏微分方程式 (Partial differential equation, PDE) は、物理系の法則をデータから特定することを目的としている。 科学の進歩の基盤を成すこの10年で、急速に発展する物理情報処理機械学習(PiML)の分野における主要な研究分野となった。 この領域で解決すべき未解決問題のうち、発見されたPDEのポストホック評価は、特に多面化の難しさを増す。 実際、予測精度、物理的整合性、解釈可能性、アウト・オブ・ディストリビューションの一般化能力などを共同で検討する必要がある。 これらの性質のいくつかが矛盾していることを考えると、既存の評価指標の広範な範囲は全体の問題に部分的にしか対応せず、仮定された新しい物理理論の有効性について過度に結論を下す可能性があることに注意する必要がある。 機械学習,数値解析,情報理論,あるいは記号回帰を対象とする豊富な文献から,PDE評価指標の最初の分類法を提案し,その長所と短所について考察する。 ケース・バイ・ケース・ケース・バイ・ケースで評価が達成されることも多く、広く受け入れられている方法論がいまだ解明されていないことを踏まえ、この分野における将来的な研究線をスケッチする前に、標準化された信頼性の高い実践を促進することを目的とした勧告も提示する。 本論文は,新しいPDE発見アルゴリズムを設計するML専門家と,これらの手法を実際に応用して,十分に確立された科学的法則を発見し,検証することを目的としたものである。

関連論文リスト

• When Does AI for PDEs Yield Scientific Evidence? [3.0001636668817597]
  我々は、広く使われているPDEシミュレーションベンチマークと、PDE逆問題に対する包括的なベンチマークを拡張して、モデル出力が特定の科学的クレームをサポートするかどうかを評価できるようにする。 以上の結果から,数値的精度と明らかなサポートは,モデルが異なるランク付けが可能であり,いつ,なぜそうなるのかを説明でき,既存のベンチマークでは,科学的関心の主張に対するより弱い支持を提供する手法が好まれることが示された。
  論文  参考訳（メタデータ） (2026-08-23T16:47:10Z)
• InnoEval: On Research Idea Evaluation as a Knowledge-Grounded, Multi-Perspective Reasoning Problem [87.30601926271864]
  InnoEvalは、人間レベルのアイデアアセスメントをエミュレートするために設計された、深いイノベーション評価フレームワークである。 我々は,多様なオンライン情報源から動的証拠を検索し,根拠とする異種深層知識検索エンジンを適用した。 InnoEvalをベンチマークするために、権威あるピアレビューされた提案から派生した包括的なデータセットを構築します。
  論文  参考訳（メタデータ） (2026-02-16T00:40:31Z)
• PRISM-Physics: Causal DAG-Based Process Evaluation for Physics Reasoning [57.868248683256574]
  PRISM-Physicsはプロセスレベルの評価フレームワークであり、複雑な物理推論問題のベンチマークである。 解は公式の有向非巡回グラフ(DAG)として表される。 その結果,評価フレームワークは人的専門家のスコアと一致していることがわかった。
  論文  参考訳（メタデータ） (2025-10-03T17:09:03Z)
• Generative Discovery of Partial Differential Equations by Learning from Math Handbooks [15.151135612091306]
  本研究は, 数学的ハンドブックに文書化された既存のPDEを組み込んで, 発見プロセスを容易にする知識ガイド型アプローチを提案する。 このフレームワークは、特に複雑な時間微分や複雑な空間項を含む場合において、高い精度と計算効率で様々なPDEフォームを復元することができる。 特に、これまで報告されていなかったPDEが、破壊に向かって伝播する強い非線形表面重力波を支配下に置くことに成功している。
  論文  参考訳（メタデータ） (2025-05-09T08:09:21Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Survey on Monocular Metric Depth Estimation [2.436681150766912]
  単分子距離推定(MMDE)は絶対スケールの深度マップを生成し、幾何整合性を確保する。 本調査では,幾何に基づく手法から最先端の深層モデルまで,MMDEの進化を概観する。 方法論の進歩は、領域の一般化、境界保存、および合成データと実データの統合を網羅して分析される。
  論文  参考訳（メタデータ） (2025-01-21T02:51:10Z)
• A Comprehensive Survey on Evidential Deep Learning and Its Applications [64.83473301188138]
  Evidential Deep Learning (EDL)は、単一のフォワードパスで最小限の追加計算で信頼性の高い不確実性推定を提供する。 まず、主観的論理理論であるEDLの理論的基礎を掘り下げ、他の不確実性推定フレームワークとの区別について議論する。 さまざまな機械学習パラダイムや下流タスクにまたがる広範な応用について詳しく述べる。
  論文  参考訳（メタデータ） (2024-09-07T05:55:06Z)
• Challenges and Considerations in the Evaluation of Bayesian Causal Discovery [49.0053848090947]
  因果発見の不確実性を表現することは、実験設計において重要な要素であり、より広く、安全で信頼性の高い因果決定のために重要である。 単一の推定因果グラフとモデルパラメータによる評価に依存する非ベイズ因果発見とは異なり、因果発見はその量の性質に起因する課題を提示する。 評価に最も適した指標についてのコンセンサスはない。
  論文  参考訳（メタデータ） (2024-06-05T12:45:23Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• PINNacle: A Comprehensive Benchmark of Physics-Informed Neural Networks for Solving PDEs [29.032874764462232]
  このギャップを埋めるために設計されたベンチマークツールであるPINNacleを紹介する。 PINNacleは、さまざまなドメインから20以上の異なるPDEを含む、多様なデータセットを提供する。 PINNacleはユーザフレンドリーなツールボックスも提供しており、システム評価と比較のために約10の最先端のPINNメソッドが組み込まれている。
  論文  参考訳（メタデータ） (2023-06-15T02:49:05Z)
• Partial Differential Equations Meet Deep Neural Networks: A Survey [10.817323756266527]
  科学と工学の問題は、数学的モデリングを通して偏微分方程式(PDE)の集合で表すことができる。 PDEに続くメカニズムベースの計算は、長い間、計算流体力学のようなトピックを研究する上で欠かせないパラダイムであった。 PDEを解く効果的な手段として、深層ニューラルネットワーク(DNN)が登場している。
  論文  参考訳（メタデータ） (2022-10-27T07:01:56Z)
• Discovering Nonlinear PDEs from Scarce Data with Physics-encoded Learning [11.641708412097659]
  ノイズや少ないデータからPDEを発見するための物理符号化離散学習フレームワークを提案する。 3つの非線形PDEシステムに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-01-28T07:49:48Z)

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。