論文の概要: DASyR-LLM: Domain-Aware Symbolic Regression with LLMs for Kinetic Model Discovery

• arxiv url: http://arxiv.org/abs/2608.05120v1
• Date: Wed, 05 Aug 2026 17:48:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:44.067124
• Title: DASyR-LLM: Domain-Aware Symbolic Regression with LLMs for Kinetic Model Discovery
• Title（参考訳）: DASyR-LLM: 動的モデル発見のためのLLMを用いたドメイン認識シンボリック回帰
• Authors: Roberto Aliaga Medina, Paulina Quintanilla, Antonio del Rio Chanona,
• Abstract要約: 大規模言語モデル(LLM)は、ドメインの専門知識を運動モデル発見に注入するための、有望な道を提供する。 本研究の枠組みは, 複雑化, 不均一性, バイオプロセスにまたがる4つのシリコケーススタディで評価された。 結果として、LLM誘導フレームワークは、最先端のSRフレームワークに対して、411.7-79.3%の価格で基幹モデルを特定するためのイテレーションを削減している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Kinetic model discovery is a central challenge in chemical engineering, as accurate rate expressions are essential for understanding and controlling chemical and biological processes. Symbolic regression (SR) has emerged as a powerful data-driven approach for identifying interpretable kinetic models, but usually operates without domain knowledge, often exploring physicochemically implausible models. Large language models (LLMs) offer a promising avenue for injecting domain expertise into this search. Here, we introduce an LLM-guided SR framework, embedding an LLM module within an iterative SR algorithm for automated kinetic model discovery. The LLM performs two roles at each iteration: (1) a qualitative physicochemical critique of the best SR candidates, and (2) the proposal of new candidate rate expressions guided by the SR-generated models and embedded chemical knowledge. Our framework is evaluated on four in silico case studies of increasing complexity, spanning heterogeneous catalysis and bioprocess systems. Results show the LLM-guided framework reduces iterations to identify the ground-truth model by $41.7-79.3\%$ versus a state-of-the-art SR framework, with the LLM directly proposing the correct model structure in over half of the guided runs. In practical settings, where each iteration typically requires a new wet-lab experiment, this translates into a substantial reduction in experimental effort. Predictive performance on an independent validation set is equivalent between both approaches, with $R^2>0.98$ in all case studies. Ablation studies indicate that both the SR component and the LLM scale contribute to this performance, with a reduced-size LLM largely retaining discovery efficiency. These findings demonstrate that LLMs can effectively inject domain knowledge into scientific model discovery, paving the way toward fully automated, domain-aware kinetic modelling pipelines.
• Abstract（参考訳）: キネティックモデル発見は化学工学における中心的な課題であり、化学および生物学的プロセスの理解と制御に正確な速度表現が不可欠である。 シンボリックレグレッション(SR)は、解釈可能な運動モデルを特定するための強力なデータ駆動アプローチとして登場したが、通常はドメイン知識なしで動作し、物理化学的に予測不可能なモデルを探索する。 大規模言語モデル(LLM)は、この検索にドメインの専門知識を注入するための有望な道を提供する。 本稿では, LLM モジュールを反復型 SR アルゴリズムに組み込んだ LLM 誘導型 SR フレームワークを提案する。 LLMは,(1)最高のSR候補の定性的な物理化学的批判,(2)SR生成モデルと組込み化学知識によって導かれる新しい候補率表現の提案,という2つのイテレーションで機能する。 本研究のフレームワークは, 複雑化, 異種触媒, バイオプロセス系にまたがる4つのシリコケーススタディで評価された。 その結果、LLM誘導フレームワークは、最先端のSRフレームワークに対して、411.7-79.3\%の価格で基底モデルを特定するためのイテレーションを減らし、LLMはガイド付き実行の半分以上で正しいモデル構造を直接提案している。 実際の設定では、各イテレーションには通常、新しいウェットラブ実験を必要とするが、これは実験の労力を大幅に削減する。 独立な検証セットにおける予測性能は、いずれの手法も同等であり、すべてのケーススタディにおいて$R^2>0.98$である。 アブレーション研究は、SR成分とLLMスケールの両方がこの性能に寄与し、LLMの小型化は発見効率を大きく維持していることを示している。 これらの結果から,LLMは科学的モデル発見にドメイン知識を効果的に注入し,完全に自動化されたドメイン認識型運動モデルパイプラインへの道を開いた。

関連論文リスト

• MOT-SR: Multi-Objective Tool-Augmented Scientific Equation Discovery with Large Language Models [23.532834629603798]
  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。
  論文  参考訳（メタデータ） (2026-07-31T15:52:07Z)
• LLM-PDESR: Robust PDE Discovery via Subdomain Weighted Residuals and LLM-Guided Symbolic Hypothesis Generation [9.278372475235232]
  本稿では,大規模言語モデルの構造仮説生成を数学的に厳密な評価環境に統合する枠組みを提案する。 我々のアプローチは、既存の手法を悩ませるフィットネスランドスケープの歪みを効果的に軽減する。 LLM-PDESRを23個の標準PDEと5つの構造的新しい方程式で評価した。
  論文  参考訳（メタデータ） (2026-07-12T03:16:49Z)
• Deliberate Evolution: Agentic Reasoning for Sample-Efficient Symbolic Regression with LLMs [52.89778838903305]
  Deliberate Evolution (DE) は、検索制御からシンボル生成を分離するエージェントフレームワークである。 LLM-SRBenchの実験では、DEMは様々な科学領域でLLMベースのSRベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-03T02:22:16Z)
• 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)
• Towards LLM-enabled autonomous combustion research: A literature-aware agent for self-corrective modeling workflows [9.40063486755374]
  FlamePilotは、自動および自己補正CFDによる燃焼モデリング研究を促進するように設計されている。 システムは、科学的な記事から学び、初期設定から最適化された結果までシミュレーションを導くための重要な情報を抽出することができる。 ケーススタディでは、FlamePilotが研究論文を自動で構成されたシミュレーションに変換し、シミュレーションを実行し、結果を後処理し、エビデンスに基づく改善を提案し、収束のために多段階のパラメータスタディを管理した。
  論文  参考訳（メタデータ） (2026-01-04T04:00:28Z)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• LLM2: Let Large Language Models Harness System 2 Reasoning [65.89293674479907]
  大規模言語モデル(LLM)は、無数のタスクにまたがって印象的な機能を示してきたが、時には望ましくない出力が得られる。 本稿では LLM とプロセスベースの検証器を組み合わせた新しいフレームワーク LLM2 を紹介する。 LLMs2は妥当な候補を生成するのに責任を持ち、検証者は望ましい出力と望ましくない出力を区別するためにタイムリーなプロセスベースのフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-12-29T06:32:36Z)
• 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)

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。