論文の概要: Verifier-Guided Model Discovery for Physical Dynamical Systems with Pretrained Symbolic Transformers

• arxiv url: http://arxiv.org/abs/2608.02662v1
• Date: Sat, 01 Aug 2026 19:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.878655
• Title: Verifier-Guided Model Discovery for Physical Dynamical Systems with Pretrained Symbolic Transformers
• Title（参考訳）: 予め制限された記号変換器を用いた物理力学系の検証誘導モデル探索
• Authors: Farbod Faraji, Francesco Belardinelli,
• Abstract要約: 本研究では,自然科学における予測の解釈と物理的監査を行うためのバリデーション誘導型ニューラル・ツー・シンボリック・方法論を開発した。 この研究は、自然科学において、解釈可能で物理的に監査可能な予測のための検証済みのニューラル・ツー・シンボリック・方法論を確立する。
• 参考スコア（独自算出の注目度）: 11.537633174586956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable forecasting of nonlinear physical systems underpins scientific discovery and engineering decision-making. Yet high-fidelity simulations are prohibitively costly, and machine-learning surrogates can be opaque and encode assumptions about system dynamics, limiting generalizability. Pretrained transformers mapping synthetic ODE trajectories to equations offer interpretable alternatives, promising transfer without system-specific equation knowledge. Transferring them reliably to high-dimensional physical data, however, remains an open challenge. We develop a verifier-guided (VG) workflow around ODEFormer as a symbolic backbone, using dynamical and physical-admissibility criteria to select from a multi-trajectory candidate equation pool, enabling transfer. On canonical Van der Pol oscillators, VG outperforms the original ODEFormer workflow across held-out initial conditions. We then address vortex shedding, a phenomenon occurring in atmospheric and plasma systems of societal relevance, through coordinate reduction and symbolic discovery at fixed and varying Reynolds numbers. VG discovers fixed-parameter reduced-order equations that recover the fundamental shedding oscillator and higher harmonics without a wake-specific candidate library or prescribed Navier-Stokes structure, while the cross-parameter model generalizes to withheld regimes. Reconstruction fidelity alone did not determine symbolic discoverability, highlighting the importance of compatibility between latent dynamics and the backbone's pretraining distribution. This work establishes a verifier-guided neural-to-symbolic methodology for interpretable and physically auditable forecasting in the natural sciences.
• Abstract（参考訳）: 非線形物理系の信頼性の高い予測は科学的な発見と工学的な意思決定を支えている。 しかし、高忠実度シミュレーションは極めて高価であり、機械学習サロゲートは不透明であり、システムのダイナミクスに関する仮定を符号化し、一般化可能性を制限することができる。 合成ODE軌道を方程式にマッピングする事前訓練されたトランスフォーマーは、システム固有の方程式の知識を使わずに、解釈可能な代替手段を提供する。 しかし、それらを高次元の物理データに確実に転送することは、未解決の課題である。 我々は, 動的および物理的許容基準を用いて, 多軌道候補方程式プールから選択し, 転送を可能にする, ODEFormer を中心とした検証対象誘導(VG)ワークフローをシンボリックバックボーンとして開発する。 標準のVan der Pol発振器では、VGは保留初期条件でオリジナルのODEFormerワークフローより優れている。 次に,社会関係の大気・プラズマ系で発生するボルテックス・シーディング(ボルテックス・シーディング)について検討した。 VGは、基本的なシーディング振動子と高調波を、ウェイク固有候補ライブラリや所定のNavier-Stokes構造なしで回復する固定パラメータ還元次方程式を発見し、一方、クロスパラメータモデルは保留状態に一般化する。 レコンストラクションの忠実性だけでは象徴的な発見性は決定されず、潜在力学とバックボーンの事前学習分布との整合性の重要性を強調した。 この研究は、自然科学において、解釈可能で物理的に監査可能な予測のための検証済みのニューラル・ツー・シンボリック・方法論を確立する。

関連論文リスト

• A neural operator framework for data-driven discovery of stability and receptivity in physical systems [29.64126196034103]
  本稿では,観測データのみから,安定性と最適強制応答を自動的に識別するデータ駆動フレームワークを提案する。 本手法は, 正準カオスモデルと高次元流体流の両方で実証する。 この方程式のない方法論は、複雑な高次元データセットを解析するための広く適用可能なツールを確立する。
  論文  参考訳（メタデータ） (2026-04-21T13:43:32Z)
• SOLIS: Physics-Informed Learning of Interpretable Neural Surrogates for Nonlinear Systems [6.5745172279769255]
  textbfSOLISは、状態条件付き2階代理モデルを介して未知のダイナミクスをモデル化する textbfLocal Physics Hintsウィンドウ付きリッジ回帰アンカーは最適化の崩壊を緩和する。 ベンチマークの実験では、標準逆メソッドが失敗するレギュレーションを含むスパースデータから正確なパラメータ・マニフォールド・リカバリとコヒーレントな物理ロールアウトが示されている。
  論文  参考訳（メタデータ） (2026-04-16T11:12:36Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• ICODE: Modeling Dynamical Systems with Extrinsic Input Information [14.521146920900316]
  本稿では,モデルの学習過程に,正確なリアルタイム入力情報を組み込んだEmphInput Concomitant Neural ODE(ICODE)を紹介する。 いくつかの代表的実動力学の実験を通して本手法を検証する。 この研究は、明示的な外部入力情報で物理的システムを理解するための貴重なニューラルネットワークODEモデルのクラスを提供する。
  論文  参考訳（メタデータ） (2024-11-21T07:57:59Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)

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。