論文の概要: Distilling neural networks into equations to predict planetary instability

• arxiv url: http://arxiv.org/abs/2610.35617v1
• Date: Mon, 26 Oct 2026 15:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.056229
• Title: Distilling neural networks into equations to predict planetary instability
• Title（参考訳）: 惑星不安定性を予測するためにニューラルネットワークを方程式に蒸留する
• Abstract要約: 複数惑星系が不安定な状態になると予測する解析式を示す。 ニューラルネットワークをN体シミュレーションのデータセット上でトレーニングすることで,これらの方程式を発見する。 我々の2段階パイプラインはまず解釈可能な変数基底を学習し、次に記号回帰を用いて方程式を探索する。
• 参考スコア（独自算出の注目度）: 12.903803993165086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The problem of predicting when a multi-planet system will become dynamically unstable has defied analytical progress over the past three hundred years. Recent machine learning advances achieve high predictive performance of instability dynamics, but as black-box systems cannot be interpreted to connect to existing scientific understanding. Here we show analytic equations that predict when a multi-planet system will undergo instability. We discover these equations by first training a neural network on a dataset of N-body simulations, and then distilling its latent knowledge into closed-form algebraic expressions. Our two-stage pipeline first learns an interpretable variable basis, then searches for equations using symbolic regression. The resulting equations outperform existing analytic estimates of instability and apply across wide ranges of mass ratios, spacing, and orbital eccentricities. They capture structure in the prediction landscape with a small number of variables amenable to dynamical interpretation. These results demonstrate how symbolic learning can be combined with neural networks to extract scientific insight from complex dynamical systems.
• Abstract（参考訳）: マルチプラネット系が動的に不安定になると予測する問題は、過去300年間で分析の進歩を損なっていた。 最近の機械学習の進歩は不安定力学の予測性能が高いが、ブラックボックスシステムは既存の科学的理解に結びつくように解釈できない。 ここでは、多惑星系が不安定になる時期を予測する解析式を示す。 ニューラルネットワークをN体シミュレーションのデータセット上で訓練し,その潜在知識を閉形式代数表現に抽出することにより,これらの方程式を導出する。 我々の2段階パイプラインはまず解釈可能な変数基底を学習し、次に記号回帰を用いて方程式を探索する。 結果の方程式は、既存の不安定性の予測を上回り、質量比、間隔、軌道離心率の幅広い範囲に適用する。 予測ランドスケープ内の構造を、動的解釈に適応可能な少数の変数でキャプチャする。 これらの結果は、記号学習とニューラルネットワークを組み合わせることで、複雑な力学系から科学的知見を抽出する方法を示している。

関連論文リスト

• Symbolic Regression via Neural Networks [0.0]
  本稿では,ディープラーニング手法の柔軟性と精度と,記号的解法の有用性を組み合わせた新しい手法を提案する。 まず、我々のモデルのためのアーキテクチャを説明し、次に古典力学系にまたがるアルゴリズムの精度を示す。
  論文  参考訳（メタデータ） (2026-05-05T22:43:35Z)
• High-order expansion of Neural Ordinary Differential Equations flows [4.4569182855550755]
  イベントグラデーション上のニューラルODEダイナミクスの厳密な数学的記述を提供する高階微分に基づくフレームワークであるイベントトランジションを紹介する。 本研究は,イベントトリガー型ニューラルディファレンス方程式のより深い理論的基礎と,複雑なシステム力学を説明する数学的構造に寄与する。
  論文  参考訳（メタデータ） (2025-04-02T08:57:34Z)
• Expressivity of Neural Networks with Random Weights and Learned Biases [44.02417750529102]
  固定ランダム重み付きフィードフォワードニューラルネットワークは,任意の連続関数をコンパクトな集合上で近似することができることを示す。 我々の発見は神経科学に関係しており、シナプスの重みを変えることなく、またAIにも、動的に行動に関係のある変化が起こる可能性を実証している。
  論文  参考訳（メタデータ） (2024-07-01T04:25:49Z)
• A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
  意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。 このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。 本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
  論文  参考訳（メタデータ） (2024-05-04T17:57:24Z)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
  微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。 最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。 従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-12T09:44:59Z)
• Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations [44.89798007370551]
  本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。 ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。 提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
  論文  参考訳（メタデータ） (2022-03-02T19:09:52Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Accelerating Understanding of Scientific Experiments with End to End Symbolic Regression [12.008215939224382]
  生データから自由形記号表現を学習する問題に対処するディープニューラルネットワークを開発した。 ニューラルネットワークを、長さの異なるデータテーブルとノイズのレベルからなる合成データセットでトレーニングする。 行動科学の公開データセット上で動作させることで、我々の技術を検証する。
  論文  参考訳（メタデータ） (2021-12-07T22:28:53Z)
• Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
  一般化誤差の「二重降下」現象について検討する。 二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T18:17:08Z)

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。