論文の概要: RSI-PDEbench: A Benchmark for Self-Improving Agents in PDE Solving
- arxiv url: http://arxiv.org/abs/2611.14949v1
- Date: Wed, 11 Nov 2026 02:55:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.990696
- Title: RSI-PDEbench: A Benchmark for Self-Improving Agents in PDE Solving
- Title(参考訳): RSI-PDEbench: PDE解決における自己改善エージェントのベンチマーク
- Abstract要約: 古典的PDEと分数的PDEの両方を含む42の方程式テンプレートにまたがる1,001のケースのベンチマークであるベンチを導入する。
ノイズフリー解データの性能をフルに評価し, クリーン信号RMSの50%に等しいRMSでガウス雑音に対する頑健性を検証した。
RSI-PDEは、残余損失によって候補方程式をショートリスト化する自己改善剤である。
RSI-PDEと単一ランベースラインと4つのフロンティアモデルにまたがるネイティブエージェントハーネスを比較した。
- 参考スコア(独自算出の注目度): 14.077188631831929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying and solving partial differential equations (PDEs) from sampled solution data often requires substantial expert effort in equation discovery, coefficient estimation, and numerical solver configuration, especially under noise and distribution shifts. Can large language model (LLM) agents automate this workflow accurately and efficiently? To investigate this question, we introduce \bench{}, a benchmark of 1,001 cases spanning 42 equation templates, including both classical and fractional PDEs. It provides three evaluation settings: Full evaluates performance on noise-free solution data; Noisy tests robustness to Gaussian noise with an RMS equal to 50\% of the clean-signal RMS; and Hard-OOD tests challenging out-of-distribution generalization to unseen equation templates and shifted coefficient ranges. We further introduce RSI-PDE, a recursively self-improving agent harness that shortlists candidate equations by residual loss, uses relative $L^2$ feedback to refine coefficients and numerical solvers, and applies a validation gate to policy and memory updates. We compare RSI-PDE with single-run baselines and native agent harnesses (Claude Code or Codex) across four frontier models. Across the three settings, RSI-PDE improves the pass rate averaged across the four models by 106.5--181.9\% relative to single-run baselines and by 3.0--19.6\% relative to native harnesses, while reducing total recorded model calls by 46.9\% across the 12 model--setting pairs. These results highlight the potential of validated recursive self-improvement in LLM agents to advance scientific computing.
- Abstract(参考訳): サンプリングされた解データから偏微分方程式(PDE)を同定し、解くには、特にノイズや分布シフトの下で、方程式の発見、係数推定、数値解法の構成にかなりの専門的な努力が必要となることが多い。
大規模言語モデル(LLM)エージェントは、このワークフローを正確かつ効率的に自動化できるだろうか?
この問題を調査するために,古典的および分数的PDEを含む42の方程式テンプレートにまたがる1,001のケースのベンチマークである \bench{} を導入する。
ノイズフリー解データの性能をフルに評価し、RMSの50倍のRMSでガウス雑音に頑健さをテストし、不明瞭な方程式テンプレートやシフト係数範囲への分布外一般化に挑戦するHard-OODテストを提供する。
さらに、残余損失によって候補方程式をショートリスト化する再帰的自己改善エージェントであるRSI-PDEを導入し、相対的な$L^2$フィードバックを用いて係数や数値解法を洗練させ、ポリシーやメモリ更新に検証ゲートを適用した。
RSI-PDEと単一実行ベースラインとネイティブエージェントハーネス(Claude CodeまたはCodex)を4つのフロンティアモデルで比較する。
3つの設定で、RSI-PDEは4つのモデルの平均パスレートを1ランベースラインに対して106.5--181.9\%、ネイティブハーネスに対して3.0--19.6\%改善し、12モデルセットペアで46.9\%削減した。
これらの結果から, LLM エージェントにおける再帰的自己改善が科学計算の進歩に寄与する可能性が示唆された。
関連論文リスト
- FoundPDE: A generative foundation model for data-driven symbolic discovery of partial differential equations [43.90456324125568]
FoundPDEは、PDE発見のための事前訓練されたデータ-シンボル基盤モデルである。
FoundPDEは、離散化された時間軌道を変換器を持つシンボリック方程式にマッピングする。
目に見えない合成方程式では、数発の微調整が90%以上の正確な回復に達する。
論文 参考訳(メタデータ) (2026-10-18T15:40:42Z) - Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳(メタデータ) (2026-09-29T11:24:19Z) - Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。
核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
論文 参考訳(メタデータ) (2026-09-02T13:15:50Z) - PDE-SHARP: PDE Solver Hybrids through Analysis and Refinement Passes [12.096472648029204]
我々は、安価なLLM推論によって高価な科学計算を置き換えることで計算コストを削減するフレームワークであるPDE-SHARPを紹介する。
PDE-SHARPは60-75%の計算精度で優れた解法精度を実現する。
高品質な解法を生成するためには, PDE-SHARP は平均で 13 未満の解法評価を必要とする。
論文 参考訳(メタデータ) (2025-10-31T18:38:05Z) - Scale-Consistent Learning for Partial Differential Equations [79.48661503591943]
本稿では,PDEのスケール一貫性特性に基づくデータ拡張手法を提案する。
次に、幅広いスケールをモデル化できるスケールインフォームド・ニューラル演算子を設計する。
スケール一貫性によって、1000ドルの$Re$でトレーニングされたモデルは、250から10000までの$Re$に一般化することができる。
論文 参考訳(メタデータ) (2025-07-24T21:29:52Z) - 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) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Score-Based Generative Modeling through Stochastic Differential
Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。
対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。
スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。
スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文 参考訳(メタデータ) (2020-11-26T19:39:10Z) - Weak SINDy For Partial Differential Equations [0.0]
我々はWeak SINDy(WSINDy)フレームワークを偏微分方程式(PDE)の設定にまで拡張する。
弱い形状による点微分近似の除去は、ノイズフリーデータからモデル係数の効率的な機械的精度回復を可能にする。
我々は、いくつかの挑戦的なPDEに対して、WSINDyの堅牢性、速度、精度を実証する。
論文 参考訳(メタデータ) (2020-07-06T16:03:51Z)
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。