論文の概要: What Should a Large Language Model See? Physical Invariants as a Data Representation for PDE Discovery

• arxiv url: http://arxiv.org/abs/2608.25189v1
• Date: Tue, 25 Aug 2026 22:08:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.463376
• Title: What Should a Large Language Model See? Physical Invariants as a Data Representation for PDE Discovery
• Title（参考訳）: 大規模言語モデルで何を見るべきか : PDE発見のためのデータ表現としての物理不変量
• Abstract要約: データ解釈(Data interpretation)は、理論家が相談する量にフィールドを計測し、直接入力としてモデルに供給する段階である。 シミュレーションされた場のベンチマークでは、解釈は復元された方程式の精度をほぼ3倍にしている。 言語モデルを理論家としてフィールドデータを読み取ることによって、データ解釈は、自動フィールド理論構築への実践的な経路を提供する。
• 参考スコア（独自算出の注目度）: 2.28437033297544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how molecular interactions govern macroscopic behaviour is a central challenge in molecular sciences. However, conventional theory building cannot keep pace with the vast datasets modern experimentation routinely produces. Large language models offer a promising route to automating theory construction, but a spatiotemporal field cannot be directly placed in a prompt. Existing models generally learn about the data only through a score measuring how well each proposal fits it. Here we introduce data interpretation, a stage that measures the field into the quantities a theorist would consult and supplies them to the model as a direct input. On a benchmark of simulated fields, interpretation nearly triples the accuracy of recovered equations relative to showing the raw data, at negligible computational cost and without any training. By allowing a language model to read field data as a theorist does, data interpretation offers a practical route to automated field theory construction that can coevolve with experimentation.
• Abstract（参考訳）: 分子相互作用がどのようにマクロな振る舞いを支配するかを理解することは、分子科学における中心的な課題である。 しかし、従来の理論構築は、現代の実験が日常的に生み出す膨大なデータセットに追随することができない。 大規模言語モデルは理論構築を自動化するための有望な経路を提供するが、時空間を直接プロンプトに配置することはできない。 既存のモデルは一般的に、各提案がどれだけうまく適合するかを測定するスコアによってのみデータについて学習する。 ここでは、データ解釈を紹介します。これは、理論家が参照する量のフィールドを測定し、直接入力としてモデルに供給する段階です。 シミュレーションされたフィールドのベンチマークでは、解釈は生データ、無視可能な計算コスト、トレーニングなしで、回復した方程式の精度をほぼ3倍にしている。 言語モデルが理論家としてフィールドデータを読み取ることを可能にすることで、データ解釈は実験と共進化できる自動フィールド理論構築への実践的な経路を提供する。

関連論文リスト

• Protoreasoning in Tiny Transformers [6.603115898671461]
  我々は、小さなトランスフォーマーが単純なChain of Thoughtを使って利益を上げることを示しています。 自然言語能力のしきい値よりはるかに低いモデルスケールで作業するために、Dyck言語上の推論フレンドリなタスクを定義します。
  論文  参考訳（メタデータ） (2026-08-05T15:51:36Z)
• Instrumented data for causal scientific machine learning [0.0]
  センサ・オブザーバが、明示的で、編集可能なパラメータと、伝播するアレタリック/エピステミック不確実性を備えた、完全に特定された、解決者支援のシミュレーションになることを示す。 検証、監査、代理訓練の短期的な効果は、計算生物学、気候、材料、流体力学、医療画像に及んでいる。 長期的な、偽りやすい含意は、科学的推論の基礎モデルに関するものである。
  論文  参考訳（メタデータ） (2026-06-05T21:53:39Z)
• Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
  科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
  論文  参考訳（メタデータ） (2026-04-01T17:21:33Z)
• Impugan: Learning Conditional Generative Models for Robust Data Imputation [0.21847754147782886]
  Impuganは、欠落した値を計算し、異種データセットを統合するための条件付きジェネレーティブ・アドバイサル・ネットワーク(cGAN)である。 推論中、ジェネレータは、利用可能な特徴から欠落したエントリを再構成し、識別器は、インプットされたデータと真を区別してリアリズムを強制する。
  論文  参考訳（メタデータ） (2025-12-05T18:46:33Z)
• LeapFactual: Reliable Visual Counterfactual Explanation Using Conditional Flow Matching [8.220601095681355]
  本稿では,条件付きフローマッチングに基づく新しい対実的説明アルゴリズム LeapFactualを提案する。 LeapFactualは、真実と学習された決定境界が分岐しても、信頼性が高く情報的な反ファクトを生成する。 ヒューマン・イン・ザ・ループのシステムを扱うことができ、ヒューマン・アノテータの参加を必要とするドメインに対実的な説明の範囲を広げることができる。
  論文  参考訳（メタデータ） (2025-10-16T12:34:10Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)
• SIDE: Surrogate Conditional Data Extraction from Diffusion Models [32.18993348942877]
  textbfSurrogate condItional Data extract (SIDE) は、データ駆動型サロゲート条件を構築し、任意のDPMからターゲット抽出を可能にするフレームワークである。 SIDEは、いわゆる安全無条件モデルからトレーニングデータを抽出し、条件付きモデルであってもベースラインアタックより優れていることを示す。 我々の研究は、DPMの脅威状況を再定義し、厳密な条件付けを基本的な脆弱性として確立し、モデルプライバシ評価のための新しいより強力なベンチマークを設定します。
  論文  参考訳（メタデータ） (2024-10-03T13:17:06Z)
• Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
  GMLM(Generative Masked Language Models)に焦点を当てる。 我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。 我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
  論文  参考訳（メタデータ） (2024-07-22T18:00:00Z)
• Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。 本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。 提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:20:12Z)
• Can LLMs Separate Instructions From Data? And What Do We Even Mean By That? [60.50127555651554]
  大規模言語モデル(LLM)は、多くの実用的なアプリケーションにおいて印象的な結果を示すが、基本的な安全性機能は欠如している。 これにより、間接的なプロンプトインジェクションのような操作に脆弱になり、一般に安全クリティカルなタスクには適さない。 モデル出力から計算可能な命令データ分離の形式的尺度と経験的変量を導入する。
  論文  参考訳（メタデータ） (2024-03-11T15:48:56Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
  基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。 原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。 本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
  論文  参考訳（メタデータ） (2020-02-24T10:28:41Z)

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。