論文の概要: GAV: A scientific experimentation environment for PDE agents

• arxiv url: http://arxiv.org/abs/2610.30292v1
• Date: Wed, 21 Oct 2026 18:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.096617
• Title: GAV: A scientific experimentation environment for PDE agents
• Title（参考訳）: GAV:PDEエージェントのための科学実験環境
• Abstract要約: 我々は,建設により検証可能な新しいPDE問題を実現する科学実験環境であるGenerator-Agent-Verifier (GAV)を紹介した。 ジェネレータは、数値シミュレーションや実験的な測定結果からデータを用いて連続参照解の分布を学習し、対象の物理状態を表す。 検証者は、基準解に対して候補プログラムを評価し、精度と計算コストに関する数値的なフィードバックを提供する。
• 参考スコア（独自算出の注目度）: 4.300753286573888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable feedback is essential for coding agents to develop programs for partial differential equations (PDEs). Yet evaluating these programs on new PDE problems often requires expensive reference computations, while fixed datasets restrict the range of experiments. We introduce Generator-Agent-Verifier (GAV), a scientific experimentation environment that makes new PDE problems verifiable by construction. The Generator learns a distribution of continuous reference solutions using data from numerical simulations or experimental measurements to represent a target physical regime. Using the method of manufactured solutions, it works backward from the generated reference solutions to construct matching PDE problems without a separate numerical solve. The Agent designs experiments, investigates failures, and iteratively improves its program. The Verifier evaluates candidate programs against the reference solutions and provides numerical feedback on accuracy and computational cost. This feedback can also guide the generation of new problems that probe the current program's weaknesses. We provide a theoretical analysis of evaluation reliability and guided development. Experiments on Navier-Stokes and Vlasov-Poisson-type equations across different data sources and regimes demonstrate the effectiveness of GAV. In particular, on the numerical Navier-Stokes task, GAV reduces the mean test error of three existing PDE agents by more than an order of magnitude relative to their original setups. Code is available at https://github.com/PotatoJnny/PDE-GAV.
• Abstract（参考訳）: 符号化エージェントが偏微分方程式(PDE)のプログラムを開発するためには、信頼性の高いフィードバックが不可欠である。 しかし、これらのプログラムを新しいPDE問題で評価するには、しばしば高価な参照計算を必要とするが、固定データセットは実験範囲を制限する。 我々は,建設により検証可能な新しいPDE問題を実現する科学実験環境であるGenerator-Agent-Verifier (GAV)を紹介した。 ジェネレータは、数値シミュレーションや実験的な測定結果からデータを用いて連続参照解の分布を学習し、対象の物理状態を表す。 製造された解法を用いて、生成された参照解から逆向きに働き、別の数値解を使わずに一致するPDE問題を構築する。 エージェントは実験を設計し、失敗を調査し、プログラムを反復的に改善する。 検証者は、基準解に対して候補プログラムを評価し、精度と計算コストに関する数値的なフィードバックを提供する。 このフィードバックは、現在のプログラムの弱点を調査する新しい問題の発生を導くこともできる。 評価信頼性と指導的開発に関する理論的分析を行う。 Navier-Stokes および Vlasov-Poisson-type equations across different data sources and regimes の実験は、GAVの有効性を実証している。 特に、数値的なNavier-Stokesタスクでは、GAVは既存の3つのPDEエージェントの平均テスト誤差を、元のセットアップと比較して1桁以上削減する。 コードはhttps://github.com/PotatoJnny/PDE-GAV.comで入手できる。

関連論文リスト

• Reinforcement Learning with Verifiable Physics: Post-training LLMs with Continuous Rewards [3.593890190223936]
  RLVP: Reinforcement Learning with Verifiable Physics, RL post-training framework for multi-PDE solver code generation。 単一のポリシーは、双曲系、放物型、楕円型、非圧縮性フロー系にまたがる多種多様なPDEファミリーで後から訓練される。 RLVPは、PDEベンチマークのトレーニング済みベースラインと教師付きベースラインの両方を改善し、ホールドアウトPDEへのゼロショット改善転送を示す。
  論文  参考訳（メタデータ） (2026-07-11T20:53:04Z)
• AutoPDE: Reliable Agentic PDE Solving via Explicitly Represented Solver Strategies [13.63605095777436]
  本稿では,解決プロセス全体を通じて明示的に表現されたオブジェクトとしてソルバ戦略を維持するコードエージェントであるAutoPDEを提案する。 AutoPDEは、再利用可能なPDE解決スキルのライブラリから、このオブジェクトを3段階で構築し、メンテナンスする。 実験の結果、AutoPDEのパスレートは54.5%で、最強のベースラインよりも14.2ドルポイント向上している。
  論文  参考訳（メタデータ） (2026-06-09T12:02:58Z)
• PDEAgent-Bench: A Multi-Metric, Multi-Library Benchmark for PDE Solver Generation [31.813357785544408]
  PDEAgent-BenchはPDE-to-solverコード生成のための最初のマルチメトリック・マルチライブラリベンチマークである。 PDEAgent-Benchには6つの数学カテゴリと11のPDEファミリーに645のインスタンスがあり、共通FEMライブラリはDOLFINx、Firedrake、 deal.IIである。 実験によると、モデルはしばしば実行可能なコードを生成することができるが、精度と効率の要求が実行されれば、そのパスレートは大幅に低下する。
  論文  参考訳（メタデータ） (2026-05-10T16:25:43Z)
• CodePDE: An Inference Framework for LLM-driven PDE Solver Generation [57.15474515982337]
  偏微分方程式(PDE)は物理系のモデリングの基本である。 従来の数値解法は専門家の知識に頼って実装し、計算コストがかかる。 大規模言語モデルを用いてPDEソルバを生成するための最初の推論フレームワークであるCodePDEを紹介する。
  論文  参考訳（メタデータ） (2025-05-13T17:58:08Z)
• Active Learning for Neural PDE Solvers [18.665448858377694]
  アクティブな学習は、モデルをより小さなトレーニングセットで同じ精度でサロゲートするのに役立ちます。 モジュール型かつアクティブな学習ベンチマークであるAL4PDEを紹介する。 ALは,ランダムサンプリングと比較して平均誤差を最大71%削減することを示した。
  論文  参考訳（メタデータ） (2024-08-02T18:48:58Z)
• Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers [53.79279286773326]
  我々は、多様なデータに基づいて訓練され、多様なPDEで条件付けされた新しいトランスフォーマーモデルUnisolverを提案する。 Unisolverは3つの挑戦的な大規模ベンチマークで一貫した最先端を実現し、優れたパフォーマンスと一般化性を示している。
  論文  参考訳（メタデータ） (2024-05-27T15:34:35Z)
• Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs [85.40198664108624]
  PDEを用いた多物理問題の解法として,コドメイン注意ニューラル演算子(CoDA-NO)を提案する。 CoDA-NOはコドメインやチャネル空間に沿った機能をトークン化し、複数のPDEシステムの自己教師付き学習や事前訓練を可能にする。 CoDA-NOは、データ制限のある複雑な下流タスクにおいて、既存のメソッドを36%以上上回ります。
  論文  参考訳（メタデータ） (2024-03-19T08:56:20Z)

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。