論文の概要: MOT-SR: Multi-Objective Tool-Augmented Scientific Equation Discovery with Large Language Models

• arxiv url: http://arxiv.org/abs/2607.29561v1
• Date: Fri, 31 Jul 2026 15:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.78971
• Title: MOT-SR: Multi-Objective Tool-Augmented Scientific Equation Discovery with Large Language Models
• Title（参考訳）: MOT-SR: 大規模言語モデルを用いた多目的ツール強化科学方程式発見
• Authors: Boxiao Wang, Runxiang Wang, Kai Li, Chongming Li, Zhiwei Chen, Yifan Zhang, Jian Cheng,
• Abstract要約: シンボリック回帰(SR)は、観測データから解析方程式を発見することを目的としている。 我々はMOT-SR(Multi-Objective Tool-augmented Symbolic Regression)を提案する。 MOT-SRは外部分析ツールを統合し、構造的先行点を抽出し、導出方程式を生成する。
• 参考スコア（独自算出の注目度）: 23.532834629603798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic Regression (SR) aims to discover analytical equations from observational data and plays a central role in scientific modeling. While recent Large Language Model (LLM) based approaches show promise, they face two limitations. First, they lack data analysis mechanisms for uncovering variable dependencies, which reduces the efficiency of equation discovery. Second, most methods rely on single-objective evaluation focused solely on fitting error. This neglect of structural complexity and generalization often causes models to converge prematurely to local optima, limiting their ability to explore the broader equation space. We propose Multi-Objective Tool-augmented Symbolic Regression (MOT-SR), a unified framework that integrates external analytical tools to extract structural priors and guide equation generation, while jointly optimizing for accuracy, complexity, and generalization via a multi-objective evaluation module that maintains a dynamic Pareto front. MOT-SR employs two collaborative LLM modules: a Meta Strategy Generator, which selects tools and synthesizes structural optimization strategies based on Pareto-optimal equations, and an Equation Generator, which produces new candidate equations accordingly. The system operates in a closed-loop manner, continuously refining both strategies and equation structures. Across 40 standard tasks, MOT-SR outperforms existing SR methods in accuracy, generalization, and efficiency. We further validate MOT-SR on extreme mass-ratio inspiral (EMRI) orbital modeling, an important problem in space-based gravitational-wave astronomy where small local errors can accumulate substantially over long-term evolution. The discovered interpretable correction achieves the lowest trajectory-level integration error on held-out configurations. These results demonstrate the potential of MOT-SR to enable reliable modeling of long-horizon scientific dynamics.
• Abstract（参考訳）: シンボリック回帰(SR)は、観測データから分析方程式を発見し、科学的モデリングにおいて中心的な役割を果たすことを目的としている。 最近のLarge Language Model (LLM)ベースのアプローチは有望であるが、2つの制限に直面している。 まず、変数依存を明らかにするためのデータ解析機構がないため、方程式発見の効率が低下する。 第二に、ほとんどの手法は、適合誤差にのみ焦点をあてた単目的評価に依存している。 このような構造的複雑性や一般化を無視すると、モデルはしばしば局所最適に早急に収束し、より広い方程式空間を探索する能力を制限する。 動的パレートフロントを維持する多目的評価モジュールを用いて, 精度, 複雑性, 一般化を共同で最適化しながら, 外部分析ツールを統合し, 構造的先行を抽出し, 導出方程式を生成する統合フレームワークであるMOT-SRを提案する。 MOT-SRは、ツールを選択してパレート最適方程式に基づいて構造最適化戦略を合成するMeta Strategy Generatorと、新しい候補方程式を生成するEquation Generatorの2つの共同LCMモジュールを採用している。 このシステムは閉ループ方式で動作し、戦略と方程式構造の両方を継続的に精製する。 40の標準タスクで、MOT-SRは既存のSRメソッドを精度、一般化、効率で上回っている。 さらに,MOT-SRを極大質量比吸入軌道モデル(EMRI)で検証する。これは,局所誤差が長期の進化で著しく増大する宇宙ベースの重力波天文学において重要な問題である。 検出された解釈可能な補正は、ホールドアウト構成における最低軌道レベルの積分誤差を達成する。 これらの結果は、MOT-SRが長期の科学力学の信頼性のあるモデリングを可能にする可能性を実証している。

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)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• Merging Memory and Space: A State Space Neural Operator [8.378604588491394]
  State Space Neural Operator (SS-NO) は時間依存偏微分方程式の解演算子を学習するためのコンパクトなアーキテクチャである。 SS-NOは多種多様なPDEベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-07-31T11:09:15Z)
• 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)
• Reinforced Model Merging [53.84354455400038]
  本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。 評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
  論文  参考訳（メタデータ） (2025-03-27T08:52:41Z)
• AutoTurb: Using Large Language Models for Automatic Algebraic Model Discovery of Turbulence Closure [15.905369652489505]
  本研究では,LLMを用いてレイノルズ応力モデルを修正するための表現を自動的に検出する新しいフレームワークを提案する。 提案手法は,Re = 10,595 で周期的な丘を横断する流れを分離するためのものである。 The corrective RANS can improve the prediction for the Reynolds stress and mean velocity field。
  論文  参考訳（メタデータ） (2024-10-14T16:06:35Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)

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。