論文の概要: How AI Agents Discover Scientific Equations: From Hydrotope Rediscovery to New Water-Wave Amplitudes
- arxiv url: http://arxiv.org/abs/2610.00435v1
- Date: Wed, 30 Sep 2026 17:16:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.65642
- Title: How AI Agents Discover Scientific Equations: From Hydrotope Rediscovery to New Water-Wave Amplitudes
- Title（参考訳）: AIエージェントが科学的方程式をいかに発見するか:ハイドロトピーから新しいウォーターウェーブ振幅へ
- Abstract要約: 我々は,ヒドロトープの制御事例研究を用いて,AIエージェントが科学的公式を発見し,検証する方法について検討した。
単純な公式は個々の周波数領域で保持できるが、大域的な結果はそれらの境界を識別し、指数関数的に多くの潜在的活性項を組み合わせなければならない。
- 参考スコア（独自算出の注目度）: 2.316169407465118
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study how AI agents discover and validate scientific formulas using a controlled case study of the hydrotope, a recently discovered geometric formula that combines the different polynomial pieces of nonlinear surface-wave scattering into one global expression. This problem is deceptively difficult: simple formulas can hold within individual frequency regions, but the global result must identify their boundaries and combine exponentially many potentially active terms. We reconstruct how the formula was originally discovered through human--agent collaboration and analyze 18 single-prompt rediscovery runs under no hint and two forms of human guidance: a false hint representing an incorrect prior and a true hint representing domain-informed insight. Only four recover the formula across all kinematic chambers (i.e., regions in which a single polynomial form applies), while most unsuccessful runs find correct chamber polynomials but fail to combine them or test their full domain. Conventional and LLM-assisted symbolic regression and standard machine-learning regressors likewise fail to recover the global formula in our experiments. Guided by these failure modes, we test a PI$+$two-student workflow in which a coordinating lead agent assigns complementary analytic and numerical tasks to two research agents and independently evaluates their results. The PI$+$two-student team successfully rediscovers the complete hydrotope formula, while the same workflow applied to the harder three negative wavenumber problem discovers a new independent verified analytic expression for the six-point amplitude $A_6$.
- Abstract（参考訳）: 最近発見された幾何学式であるHydrotopeは、非線形表面波散乱の異なる多項式を1つの大域的表現に組み合わせたものである。
単純な公式は個々の周波数領域で保持できるが、大域的な結果はそれらの境界を識別し、指数関数的に多くの潜在的活性項を組み合わせなければならない。
我々は,この公式が当初,人間とエージェントのコラボレーションを通じてどのように発見されたのかを再構築し,ヒントのない18個の単発再発見を解析した。
数式をすべてのキネマティックチャンバー(つまり1つの多項式形式が適用される領域)で解くのは4つしかないが、ほとんどの失敗は正しいチャンバー多項式を見つけるが、それらを組み合わせたり、完全な領域をテストするのに失敗する。
従来型およびLLM支援型シンボリックレグレッションおよび標準機械学習レグレッシャも同様に、我々の実験でグローバルな公式の回復に失敗している。
これらの障害モードによって導かれるPI$+$two-studentワークフローでは、協調型リードエージェントが2つの研究エージェントに相補的解析的および数値的タスクを割り当て、その結果を独立に評価する。
PI$+$two-studentチームは完全なハイドロトピー式の再検討に成功し、一方、より難しい3つの負の波数問題に適用された同じワークフローは、6点振幅$A_6$に対する新しい独立した検証された解析式を発見する。
関連論文リスト
- Discovering Multiscale Deep Formulas in Complex Systems via Neural-Guided Lambda Calculus [11.796828099296397]
複雑なシステムからマルチスケールな公式を自動的に抽出するエンドツーエンドのAI手法であるDeflexを提案する。
デフレックスは最先端の手法よりも7倍高い効率を達成する。
論文 参考訳（メタデータ） (2026-06-05T16:21:12Z) - 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) - Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery [16.678133599755068]
本稿では,理論物理学の解法を自律的に解くことにより,人工知能が数学的発見を加速できることを実証する。
本稿では,ジェミニ・ディープシンク大言語モデルと系統木探索(TS)フレームワークと自動数値フィードバックを組み合わせたニューロシンボリックシステムを提案する。
論文 参考訳（メタデータ） (2026-03-05T02:15:04Z) - Scientific Machine Learning of Flow Resistance Using Universal Shallow Water Equations with Differentiable Programming [5.061700088495018]
我々はハイブリッド流体力学モデリングのための普遍的なSWE解法であるHydrogradを開発した。
正確に前方シミュレーションを行い、自動微分をサポートし、物理発見のための科学的機械学習を実行することができる。
論文 参考訳（メタデータ） (2025-02-18T00:07:14Z) - Integrating GNN and Neural ODEs for Estimating Non-Reciprocal Two-Body Interactions in Mixed-Species Collective Motion [0.0]
本稿では,観測軌道から基礎となる運動方程式を推定するための新しいディープラーニングフレームワークを提案する。
本フレームワークは,グラフニューラルネットワークとニューラルディファレンシャル方程式を統合し,二体相互作用の効果的な予測を可能にする。
論文 参考訳（メタデータ） (2024-05-26T09:47:17Z) - Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations [56.78271181959529]
GAM(Generalized Additive Models)は、変数とターゲットの間の非線形関係をキャプチャできるが、複雑な特徴相互作用をキャプチャすることはできない。
本稿では,GAMのフレキシブルな形状関数と,数学的表現に見られる複雑な特徴相互作用を融合させる形状表現算術(SHARE)を提案する。
また、標準制約を超えた表現の透明性を保証するSHAREを構築するための一連のルールを設計する。
論文 参考訳（メタデータ） (2024-04-15T13:44:01Z) - Polynomial-Time Solutions for ReLU Network Training: A Complexity
Classification via Max-Cut and Zonotopes [70.52097560486683]
我々は、ReLUネットワークの近似の難しさがマックス・カッツ問題の複雑さを反映しているだけでなく、特定の場合において、それと完全に一致することを証明した。
特に、$epsilonleqsqrt84/83-1approx 0.006$とすると、目的値に関して相対誤差$epsilon$でReLUネットワーク対象の近似グローバルデータセットを見つけることはNPハードであることが示される。
論文 参考訳（メタデータ） (2023-11-18T04:41:07Z) - Global Convergence of Two-timescale Actor-Critic for Solving Linear
Quadratic Regulator [43.13238243240668]
我々は、$epsilon$-optimal Solutionへのグローバル収束を確立するための新しい分析フレームワークを開発する。
これは、LQRを大域的最適で解くための単一のサンプル2時間スケールACに対する最初の有限時間収束解析である。
論文 参考訳（メタデータ） (2022-08-18T09:57:03Z) - Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。
従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。
しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
論文 参考訳（メタデータ） (2021-10-17T15:21:27Z) - A Closed-Form Solution to Local Non-Rigid Structure-from-Motion [107.60023055615302]
広く適用可能な仮定の下では、曲面正規化の観点から新しい方程式系を導出できることが示される。
2つ以上のビューから得られた再構成は、最先端の手法よりもはるかに正確です。
論文 参考訳（メタデータ） (2020-11-23T17:26:19Z) - Computational Barriers to Estimation from Low-Degree Polynomials [81.67886161671379]
本研究では,隠れ構造物の存在を検知する作業において,低次構造物のパワーについて検討する。
大規模な「信号+雑音」問題に対して、任意の程度に達成可能な最良の平均二乗誤差に対して、ユーザフレンドリな下界を与える。
応用として,植込みサブマトリクスに対する低次平均2乗誤差の厳密な評価と高密度サブグラフ問題について述べる。
論文 参考訳（メタデータ） (2020-08-05T17:52:10Z)
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。