論文の概要: Observable-Specific Validity Tests for Scientific AI: Controlled Approximations and Intervention Response

• arxiv url: http://arxiv.org/abs/2610.41939v1
• Date: Fri, 30 Oct 2026 15:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.801322
• Title: Observable-Specific Validity Tests for Scientific AI: Controlled Approximations and Intervention Response
• Title（参考訳）: 科学的AIのための観測可能な特異な妥当性テスト:制御された近似と干渉応答
• Abstract要約: 近似は、応答を欠いたままエネルギーを再現したり、与えられた境界によって認証されることなくエラー耐性を満たすことができる。 科学人工知能(AI)における観測可能な特定の妥当性記録を定式化し,その基準モデルとの相関性について検討する。 16回の繰り返しの神経適合は、次元の均一性を示唆し、エネルギースケールの移動誤差を52.3%から0.0768%に減少させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An approximation can reproduce an energy while missing its response, or satisfy an error tolerance without being certified by a given bound. We formulate observable-specific validity records for scientific artificial intelligence (AI) that link a reduction to its reference model, error measure, tolerance, parameter domain, and transformations or interventions. Explicit displacement and velocity certificates for a singularly perturbed oscillator recover distinct convergence orders and provide sufficient validity guarantees. Exact Hubbard dimer relations resolve the different coupling domains accepted by energy and response criteria. Across 16 repeated neural fits, imposing dimensional homogeneity reduces energy scale transfer error from 52.3% to 0.0768% and raises the median fraction jointly satisfying gap and response tolerances from zero to 100%. Paired transformations verify the protected scaling relation, while a coupling crossover identifies the additional information needed for response transfer. A causal model recovers a positive intervention response beneath a strong negative observational association. For two mechanisms observed with Gaussian noise whose responses first differ at order $x^k$, we derive an exact fixed control query requirement scaling as $x^{-2k}$ and verify its full success curve numerically. Together with a 256-task evaluation interface, these results provide independently checkable tests of controlled approximation, physical transfer, and mechanism discrimination in scientific AI.
• Abstract（参考訳）: 近似は、応答を欠いたままエネルギーを再現したり、与えられた境界によって認証されることなくエラー耐性を満たすことができる。 我々は、科学人工知能(AI)の観測可能な特定の妥当性記録を定式化し、基準モデル、誤差測定、寛容性、パラメータ領域、変換や介入に関連づける。 特異摂動振動子に対する明示的な変位と速度証明は、異なる収束順序を回復し、十分な妥当性を保証する。 厳密なハバード二量体関係はエネルギーと応答の基準で受け入れられる異なる結合領域を分解する。 16回にわたる神経適合の繰り返し、次元的均一性を与えることにより、エネルギースケールの移動誤差は52.3%から0.0768%に減少し、ギャップと応答耐性を0から100%に満たす中心的な割合が上昇する。 ペア変換は保護されたスケーリング関係を検証し、カップリングクロスオーバーは応答伝達に必要な追加情報を特定する。 因果モデルでは、強い負の観測相関の下で正の介入応答を回復する。 最初に応答が$x^k$で異なるガウス雑音で観測された2つのメカニズムについて、x^{-2k}$の正確な制御要求を導出し、その完全な成功曲線を数値的に検証する。 256タスクの評価インターフェースとともに、これらの結果は、科学AIにおける制御された近似、物理移動、メカニズム判別の独立にチェック可能なテストを提供する。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• NeuronDiscover: Agent-in-Twin for Mechanistic Discovery in Neuronal Microenvironments with World Action Models [3.8107412342726406]
  神経微小環境における機械的発見は、溶質輸送と神経反応の競合する説明を分離する介入と測定を必要とする。 我々は、この双対の共起と合体機構に関する理性を定式化し、両者を分離する実験を設計する。 NeuronDiscoverはAgent-in-Twinフレームワークで、共用、メカニズムに基づくワールドアクションモデル(WAM)は、予測、介入提案、観察設計を結合する。 本研究では, 個別に凍結したファインラー・メッシュ・レファレンス・レファレンス・ソルバーが適応する脳-流体トレーサー・トランスポートの世界と, ドナー・ディスジョイントによる皮質ニューロンの電流・クランプ記録について検討した。
  論文  参考訳（メタデータ） (2026-09-28T14:58:12Z)
• Toward Reliable Railway-Bogie Response Prediction Using Multifidelity TDNN and Physics-Informed Residual Learning [9.679297769625286]
  鉄道技術者は、徹底的にテストできない運用シナリオにまたがる車両の応答を予測するシミュレーションモデルを必要としている。 本稿では,多体シミュレーション履歴を低忠実度情報として扱い,ローラーリグ測定を高忠実度証拠として扱う多忠実鉄道ボギー応答補正法を提案する。
  論文  参考訳（メタデータ） (2026-09-10T07:56:53Z)
• Fixed Points Without Fixed Diffusion: Implicit Neural Sheaves for Convergent Test-Time Computation [3.402787708517185]
  Implicit Graph Neural Networks (IGNN) は、ノード表現をメッセージパッシング演算子の固定点として定義する。 適応型ニューラル・シーフ伝搬を持つ不均質な深層平衡アーキテクチャであるSheafDEQを紹介する。
  論文  参考訳（メタデータ） (2026-08-12T21:48:07Z)
• Causal Optimizer Interaction Calculus: Hidden Geometric Relaxation and Identifiable Interventions [0.0]
  我々は、パスワイズ実現、Mobius分解、実験的同定を分離する因果強度相互作用計算を開発した。 スムース隠れ緩和は、逆構造剛性を通して相互作用を生成する。
  論文  参考訳（メタデータ） (2026-07-08T09:40:44Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Conformalized Unconditional Quantile Regression [27.528258690139793]
  コンフォメーション予測と非条件量子回帰を組み合わせた予測推論手法を開発した。 提案手法は不整合性に適応し,テストインスタンスに関連する透過的なカバレッジ保証を提供し,既存の手法と効率的に競合することを示す。
  論文  参考訳（メタデータ） (2023-04-04T00:20:26Z)
• Learning Generalized Gumbel-max Causal Mechanisms [31.64007831043909]
  対物処理効果を推定する際のばらつきの最小化など,定量的な基準の下で最良となる因果メカニズムを選択することを論じる。 興味のある問合せの分布に反実効果のばらつきやその他の損失を最小化するように訓練できることが示される。
  論文  参考訳（メタデータ） (2021-11-11T22:02:20Z)

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。