Metodo basato su LLM per la scoperta di equazioni differenziali dai dati
Una nuova tecnica chiamata DoLQ è stata sviluppata da ricercatori per estrarre equazioni differenziali ordinarie da dati osservazionali utilizzando modelli linguistici di grandi dimensioni (LLM). Questo metodo supera un significativo svantaggio degli attuali metodi di regressione simbolica, che spesso si concentrano su metriche quantitative trascurando conoscenze di dominio essenziali per la validità fisica. DoLQ utilizza un sistema multi-agente: un Agente Campionatore genera potenziali sistemi dinamici, un Ottimizzatore di Parametri migliora le equazioni per la precisione, e un Agente Scienziato impiega un LLM per valutazioni sia qualitative che quantitative, perfezionando iterativamente la ricerca in base ai risultati. Test su benchmark di equazioni differenziali ordinarie multidimensionali indicano che DoLQ supera gli approcci esistenti. I risultati sono pubblicati nel preprint arXiv 2605.07323.
Fatti principali
- 1. DoLQ utilizza LLM per la valutazione qualitativa e quantitativa nella scoperta di equazioni.
- 2. Il metodo impiega un'architettura multi-agente con Agente Campionatore, Ottimizzatore di Parametri e Agente Scienziato.
- 3. Affronta la lacuna nell'incorporare conoscenze di dominio per la plausibilità fisica.
- 4. Esperimenti su benchmark ODE multidimensionali mostrano prestazioni superiori.
- 5. La ricerca è pubblicata su arXiv con ID 2605.07323.
- 6. I metodi esistenti di regressione simbolica si basano principalmente su metriche quantitative.
- 7. DoLQ guida iterativamente la ricerca di equazioni differenziali governanti.
- 8. L'Agente Scienziato sfrutta un LLM per sintetizzare i risultati della valutazione.
Entità
Istituzioni
- arXiv