論文の概要: EvoPINN: Agentic Discovery of Executable Algorithms for Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2607.26490v1
• Date: Wed, 29 Jul 2026 05:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.547911
• Title: EvoPINN: Agentic Discovery of Executable Algorithms for Physics-Informed Neural Networks
• Title（参考訳）: EvoPINN:物理インフォームドニューラルネットワークのための実行可能アルゴリズムのエージェントディスカバリ
• Abstract要約: 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)を解くための強力なパラダイムとして登場した。 エージェントフレームワークである textbfEvoPINN を提案する。
• 参考スコア（独自算出の注目度）: 21.182571644696075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) have emerged as a powerful paradigm for solving partial differential equations (PDEs), yet their performance heavily relies on the manual, trial-and-error engineering of neural representations, loss formulations, and optimization dynamics. While Large Language Models (LLMs) offer a promising avenue for automated design, unconstrained code generation often yields mathematically invalid or numerically unstable solutions under strict scientific computing constraints. To bridge this gap, we propose \textbf{EvoPINN}, an agentic framework that reformulates PINN development from labor-intensive manual design into a rigorous, execution-grounded algorithm discovery problem. EvoPINN navigates a modular search space by decoupling neural representations from training programs, utilizing an LLM agent to iteratively propose memory-conditioned programmatic modifications. To ensure scientific validity, all candidates undergo strict structural verification and budget-matched PDE evaluation. Extensive experiments across diverse PDE regimes (oscillatory, elliptic, dissipative, and nonlinear transport) demonstrate that EvoPINN discovers PDE-specialized learning algorithms that significantly reduce relative $L_{2}$ error compared to baselines. Crucially, EvoPINN autonomously invented SLRC-PINN, a novel architecture whose performance gains persist under rigorous parameter-matched comparisons, establishing the viability of execution-grounded agents for discovering genuinely new scientific computing mechanisms.
• 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)は偏微分方程式(PDE)を解くための強力なパラダイムとして登場したが、その性能は、ニューラルネットワークのマニュアル、試行錯誤工学、損失定式化、最適化力学に大きく依存している。 LLM(Large Language Models)は自動設計のための有望な道を提供するが、制約のないコード生成はしばしば厳密な科学計算の制約の下で数学的に無効または数値的に不安定なソリューションをもたらす。 このギャップを埋めるために、労働集約型手作業設計から厳密で実行基盤のアルゴリズム発見問題へとPINN開発を再構築するエージェントフレームワークである「textbf{EvoPINN}」を提案する。 EvoPINNは、トレーニングプログラムから神経表現を分離し、LLMエージェントを使用してメモリ条件のプログラム修正を反復的に提案することで、モジュラー検索空間をナビゲートする。 科学的妥当性を確保するため、全ての候補者は厳格な構造検証と予算整合PDE評価を行う。 多様なPDE体制(浸透性、楕円性、散逸性、非線形輸送)にわたる広範な実験により、EvoPINNはベースラインと比較して相対$L_{2}$エラーを著しく減少させるPDE特化学習アルゴリズムを発見した。 重要なことに、EvoPINNはSLRC-PINNを自律的に発明した。SLRC-PINNは、厳密なパラメータマッチング比較の下で性能向上が持続する新しいアーキテクチャであり、真に新しい科学計算機構を発見するための実行済みエージェントの生存可能性を確立した。

関連論文リスト

• Learning universal approximations for partial differential equations with Physics-Informed Broad Learning System [47.73467147921344]
  偏微分方程式(PDE)は、複雑な物理・生物学的・工学系のモデリングにおいて中心的な役割を果たす。 最近の物理情報ニューラルネットワーク(PINN)はメッシュのない代替手段を提供するが、しばしば収束が遅く、最適化の不安定さに悩まされる。 本稿では,PDEの解法を最小二乗最適化として再構成する新しいバックプロパゲーションフリーフレームワークであるPhromics-Informed Broad Learning System (PIBLS)を提案する。
  論文  参考訳（メタデータ） (2026-06-18T03:34:06Z)
• Scale-PINN: Learning Efficient Physics-Informed Neural Networks Through Sequential Correction [33.84065974605524]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式を解くための有望なメッシュフリーパラダイムとして登場した。 本稿では,現代の物理インフォームドラーニングを数値アルゴリズムでブリッジする学習戦略である,学習効率の高いPINN(Scale-PINN)について紹介する。
  論文  参考訳（メタデータ） (2026-02-23T03:38:06Z)
• High precision PINNs in unbounded domains: application to singularity formulation in PDEs [83.50980325611066]
  ニューラルネットワークアンサッツの選択、サンプリング戦略、最適化アルゴリズムについて検討する。 1次元バーガース方程式の場合、我々のフレームワークは非常に高精度な解が得られる。 2D Boussinesq 方程式の場合、損失が 4$ の解は citewang2023asymsymptotic よりも小さく、トレーニングステップは少ない。
  論文  参考訳（メタデータ） (2025-06-24T02:01:44Z)
• AL-PINN: Active Learning-Driven Physics-Informed Neural Networks for Efficient Sample Selection in Solving Partial Differential Equations [0.0]
  偏微分方程式(PDE)の解法として物理情報ニューラルネットワーク(PINN)が誕生した。 サンプル選択を動的に最適化するために、不確実性定量化(UQ)とアクティブラーニング戦略を統合したアクティブラーニング駆動型PINN(AL-PINN)を提案する。 その結果,AL-PINN は従来の PINN と比較して精度が向上し,必要なトレーニングサンプルの数を削減できた。
  論文  参考訳（メタデータ） (2025-02-06T10:54:28Z)
• Hypernetwork-based Meta-Learning for Low-Rank Physics-Informed Neural Networks [24.14254861023394]
  本研究では,物理インフォームドニューラルネットワーク (PINN) がそのような解法の一つとして考えられる可能性を秘めた経路を提案する。 PINNは、ディープラーニングと科学計算の適切な統合を開拓してきたが、ニューラルネットワークの反復的な時間的トレーニングを必要としている。 本稿では,数百のモデルパラメータと関連するハイパーネットワークに基づくメタ学習アルゴリズムを含む軽量な低ランクPINNを提案する。
  論文  参考訳（メタデータ） (2023-10-14T08:13:43Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)

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。