論文の概要: FluxDisco: Symbolic Regression for Stoichiometric Dynamical Systems via Monte Carlo Graph Search

• arxiv url: http://arxiv.org/abs/2609.05207v1
• Date: Fri, 04 Sep 2026 14:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.073225
• Title: FluxDisco: Symbolic Regression for Stoichiometric Dynamical Systems via Monte Carlo Graph Search
• Title（参考訳）: FluxDisco:モンテカルログラフサーチによる確率力学系のシンボリック回帰
• Abstract要約: 本稿では,フラックスをベースとした統計的ODEシステムに適した物理インフォームフレームワークであるFluxDiscoを提案する。 筆者らはモンテカルログラフ探索アルゴリズムを用いて, 連立フラックス発見に係わる特異な課題について検討した。 本手法は,様々な物理・生物学的システムにまたがって評価され,解釈可能な方程式を用いて制御力学を正確に回復する能力を示す。
• 参考スコア（独自算出の注目度）: 11.067659411830327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamical symbolic regression methods identify governing differential equations from noisy data, balancing interpretability and predictive accuracy. However, standard methods often produce expressions that violate known physical laws. To address this, we propose FluxDisco, a physics-informed framework tailored for flux-based, stoichiometric ODE systems. By leveraging a known stoichiometry, we reduce the expression search space and ensure physical adherence. Our framework adapts the Monte Carlo Graph Search algorithm for the unique challenges associated with joint flux discovery of stoichiometric systems. We evaluate our method across a range of physical and biological systems, demonstrating its ability to accurately recover governing dynamics through interpretable equations.
• Abstract（参考訳）: 動的記号回帰法は、雑音データから微分方程式を識別し、解釈可能性と予測精度のバランスをとる。 しかし、標準的な方法はしばしば、既知の物理法則に違反した表現を生成する。 これを解決するために、フラックスベースの統計的ODEシステムに適した物理インフォームドフレームワークであるFluxDiscoを提案する。 既知の統計的手法を利用することで,表現空間を減らし,身体的拘束力を確保する。 筆者らはモンテカルログラフ探索アルゴリズムを用いて, 連立フラックス発見に係わる特異な課題について検討した。 本手法は,様々な物理・生物学的システムにまたがって評価され,解釈可能な方程式を用いて制御力学を正確に回復する能力を示す。

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)
• Symbolic Discovery of Stochastic Differential Equations with Genetic Programming [1.0582941427792738]
  本稿では,遺伝的プログラミングに基づく微分方程式の記号的発見法を提案する。 本結果は,高次元システムへの効率的なスケーリングと支配方程式の正確な回復を実証するものである。 この研究は、力学系の解釈可能な発見へのシンボリック回帰を拡張した。
  論文  参考訳（メタデータ） (2026-03-10T12:43:02Z)
• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Reconstruction of dynamic systems using genetic algorithms with dynamic search limits [0.0]
  時系列データを用いて動的システムの制御方程式を推定するために進化的計算手法が提案される。 本研究の主な貢献は、最小限のコントリビューションを持つ用語を除去するための遺伝的アルゴリズムの適切な修正と、局所的なオプティマから逃れるメカニズムである。 その結果,0.22未満の積分正方形誤差と,全系に対して0.99のR-二乗決定係数を用いて再構成を行った。
  論文  参考訳（メタデータ） (2024-12-03T22:58:25Z)
• Symmetry-Informed Governing Equation Discovery [29.16110821783827]
  本稿では,自動方程式探索における対称性を活用して,方程式探索空間を圧縮し,学習方程式の精度と簡易性を向上させることを提案する。 提案手法は,ノイズに対するロバスト性の向上を実証し,対称性のないベースラインよりも極めて高い確率で支配方程式を復元する。
  論文  参考訳（メタデータ） (2024-05-27T01:58:23Z)
• AI-Lorenz: A physics-data-driven framework for black-box and gray-box identification of chaotic systems with symbolic regression [2.07180164747172]
  複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。 私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。 これにより、動的挙動の将来的な進化を予測することができる。
  論文  参考訳（メタデータ） (2023-12-21T18:58:41Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
  本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。 標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-30T20:35:03Z)
• Extracting Governing Laws from Sample Path Data of Non-Gaussian Stochastic Dynamical Systems [4.527698247742305]
  我々は、利用可能なデータから非ガウスL'evy雑音の方程式を推定し、動的挙動を合理的に予測する。 理論的枠組みを確立し、非対称なL'evyジャンプ測度、ドリフト、拡散を計算する数値アルゴリズムを設計する。 この方法は、利用可能なデータセットから規制法則を発見し、複雑なランダム現象のメカニズムを理解するのに有効なツールとなる。
  論文  参考訳（メタデータ） (2021-07-21T14:50:36Z)
• Inference of Stochastic Dynamical Systems from Cross-Sectional Population Data [8.905677748354364]
  生物化学、疫学、金融数学、その他多くの科学分野において、個体群や時間経過データから力学系の駆動方程式を推測することは重要である。 本研究では, 微分方程式に基づいて, 人口の確率密度の進化を記述するフォッカー・プランク方程式を推定し, 計算的に推定する。 そして、USDLアプローチに従って、Fokker-Planck方程式を適切なテスト関数の集合に投影し、方程式の線形系に変換する。
  論文  参考訳（メタデータ） (2020-12-09T14:02:29Z)

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。