arXiv:2606.30699v1 cs.LG

Joint discovery of governing partial differential equations from multi-source datasets by competitive optimization

Hao Xu, Siyu Lou, Yuntian Chen, Dongxiao Zhang

제출 2026-06-29

원문 초록

Discovering governing equations directly from observational data is a key step towards interpretable scientific machine learning. Current data-driven approaches typically operate on a single dataset, inherently limiting their performance when faced with restricted observations. In practice, multiple datasets are often available for the same physical system, distinguished only by distinct initial conditions or boundary configurations. Here, we present a competitive optimization framework designed to discover shared partial differential equations (PDEs) from multi-source datasets, termed MCO-PDE. The framework first trains independent neural surrogates for each data source, and then employs a soft-competitive weighting mechanism to dynamically assess dataset credibility and aggregate a consensus global coefficient. Integrated with a genetic algorithm for structural search, this approach simultaneously identifies the functional forms and parameters of the governing laws. We demonstrate that fusing as few as 50 observations per dataset across seven cases recovers canonical equations with high accuracy. The framework inherently handles two- and three-dimensional domains characterized by irregular boundaries and heterogeneous coefficients, and successfully extracts physically meaningful laws from real-world wave-tank experiments. Overall, this work establishes a promising route for automated scientific discovery via heterogeneous data fusion.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.30699v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.14855v1math.NA공통 태그 parameter estimation, scientific machine learning

구조 보존 신경망과 엔트로피 변수를 이용한 Burgers 방정식의 아계 모수화

Subgrid-Scale Parameterization in Burgers' Equation Using Structure-Preserving Neural Networks and Entropy Variables

우리는 편미분방정식의 거친(coarse) 시뮬레이션에서 아계(subgrid-scale, SGS) 모수화를 개발하기 위한 기계학습 접근법을 제시한다. Burgers 방정식의 거친 시뮬레이션에서 아계 플럭스(subgrid flux)를 학습하기 위해 구조 보존 신경망과 엔트로피 변수를 활용한다. 특히, 아계 보정을 두 가지 구성 요소로 명시적으로 분리하는 분리형 신경망 아키텍처를 사용한다: 보존적 플럭스 포텐셜(Flux Potential) 네트워크와 와류 점성(Eddy Viscosity) 네트워크. 이 저차(reduced-order) 프레임워크가 높은 물리적 충실도(fidelity)를 유지하며, 전체 스케일 시스템의 에너지 스펙트럼, 공간·시간 상관 함수, 동역학적 특성을 정확히 재현함을 보인다. 또한, 이 접근법이 견고하며 학습 영역 밖의 매개변수에도 적용 가능함을 보인다.

arXiv:2607.13945v1cs.CV공통 태그 Evolutionary Algorithms, parameter estimation

PlumeQuant: 메탄 플룸 마스크 및 배출률 추정의 불확실성 인식 일관성 평가

PlumeQuant: Uncertainty-aware consistency assessment of methane plume masks and emission-rate estimates

이미징 분광기는 점점 더 소스 분해(source-resolved) 메탄 플룸 제품을 배포하고 있으며, 이 제품에서는 플룸 마스크, 통합 질량 증강(IME), 플룸 길이, 배출률, 불확실성이 물리적으로 및 알고리즘적으로 연결된다. 27개 장면에서 EMIT 기반 Carbon Mapper 플룸 기록 63건을 이용하여, 이러한 공개된 스칼라량이 플룸 경계를 유일하게 제약하지 않음을 보인다: 실질적으로 다르지만 그럴듯한(plausible) 마스크가 동일한 IME, 플룸 길이, 배출률을 재현할 수 있다. 공개된 IME 및 플룸 길이에 조건부로 설정된 유전 알고리즘(GA) 앙상블은 이러한 등결성(equifinality)을 명시한다: 거의 모든 목표 일치(target-consistent) 마스크가 선택한 고신뢰 코어는 그럴듯한 발자국(footprint) 범위(envelope)의 중앙값 13%만을 차지하며, 약하고 중첩도가 낮은 플룸에서 모호성이 가장 크다. 이 진단은 PlumeQuant에서 나오며, PlumeQuant는 명시된 규약 하에서 배포된 제품 구성요소로부터 IME, 플룸 길이, 배출률, 5항 불확실성을 재계산하고 네 가지 마스크 표현을 평가한다: 배포된 참조 마스크, 투명한 Carbon Mapper 기반 유사 마스크(CM-like), GA 앙상블, 선택적 전문가 편집. CM-like 마스크는 참조 마스크나 공개된 수량에 접근하지 않고 플룸별로 생성되며, 장면 분리(scene-disjoint) 44플룸 개발 분할에서 설정이 한 번 고정된다. 공개된 IME는 중앙값 차이 +0.72%, 배출률은 +0.16%(평균 절대 6.98%)로 재현했고, 참조 마스크 대비 중앙값 교집합-합집합(IoU) 0.843에 도달했으며, 공개된 불확실성 스케일과 일치했다(중앙값 비율 1.01). 홀드아웃 평균 절대 오차는 7.6%(IME), 9.5%(길이), 6.1%(배출률)였다. 이는 독립적 검증이 아닌 제품 수준 일관성 진단이다. 이는 약하거나, 오프셋되거나, 모호한 플룸을 전문가 검토를 위해 표시한다.

arXiv:2607.10546v1cs.LG공통 태그 scientific machine learning, pde discovery

LLM-PDESR: 서브도메인 가중 잔차와 LLM 기반 기호 가설 생성을 통한 강건한 PDE 발견

LLM-PDESR: Robust PDE Discovery via Subdomain Weighted Residuals and LLM-Guided Symbolic Hypothesis Generation

잡음이 포함된 관측 데이터로부터 지배 편미분방정식(PDE)을 발견하는 것은 과학적 머신러닝의 근본적인 과제입니다. 전통적인 기호 회귀(SR) 방법은 광범위한 조합 탐색 공간 내에서 정확한 방정식을 식별하는 데 어려움을 겪는 경우가 많으며, 이는 주로 필수적인 도메인별 사전 지식을 통합하지 못하기 때문입니다. 또한, 점별 평가 및 이산 유한 차분에 대한 의존성은 고주파 잡음을 본질적으로 증폭시켜 최적화 과정을 방해하는 기만적인 적합도 지형을 형성합니다. 이러한 병목 현상을 해결하기 위해 우리는 대규모 언어 모델(LLM)의 구조적 가설 생성과 수학적으로 엄밀한 평가 환경을 통합하는 프레임워크인 LLM-PDESR을 제안합니다. 강건한 미분을 위한 C^4-연속 5차 스플라인과 자연 저역 통과 필터로서의 서브도메인 가중 잔차를 활용함으로써, 우리의 접근법은 기존 방법을 괴롭히는 적합도 지형 왜곡을 효과적으로 완화합니다. 파레토 기반 피드백 루프는 LLM이 후보 방정식을 반복적으로 개선하여 예측 정확도와 구조적 간결성 사이의 균형을 맞출 수 있도록 합니다. 우리는 23개의 표준 PDE와 데이터셋 암기를 배제하고 진정한 발견 능력을 검증하기 위해 특별히 설계된 5개의 구조적으로 새로운 방정식(다변량 시스템 포함)을 대상으로 LLM-PDESR을 평가합니다. 실세계 적용 가능성을 입증하기 위해, 이 프레임워크는 잡음이 포함된 ERA5 재분석 데이터로부터 해석 가능한 1D 동역학 대리 모델(1D-CACE)의 일관된 구조적 스켈레톤을 직접 추출하는 데 성공합니다. 광범위한 실험과 분포 외 테스트를 통해 LLM-PDESR이 구조적 복원, 잡음 내성, 그리고 허위 복잡성 및 방정식 비대화 방지 측면에서 최신 방법론을 크게 능가함을 확인합니다.

arXiv:2606.28373v1cs.NE공통 태그 Evolutionary Algorithms, parameter estimation

모델 병합에서 진화로: 전문가 모델을 위한 매개변수 공간 탐험

Model Merging to Evolution: Parameter Space Exploration for Expert Models

모델 병합은 추가 학습 없이 여러 전문가 모델의 역량을 통합하여 다중 태스크에 강력한 모델을 생성함으로써 계산 자원 요구량을 줄입니다. 그러나 기존 방법들은 전문가 모델의 볼록 결합(convex combination) 공간 내에서만 동작하여, 이 공간 외부의 고성능 영역을 탐험하지 못합니다. 본 논문은 MERGEvolve 프레임워크를 제안하며, 이는 병합된 모델을 매개변수 공간의 진화적 탐험을 위한 초기화로 취급함으로써 진화 전략 내에서 모델 병합과 진화를 통합합니다. 병합 단계에서 전문가 모델들은 강력한 초기 지점을 구축하기 위한 결정론적(deterministic) 소스로 작동합니다. 이후 진화 단계에서는 무작위 노이즈를 사용하여 매개변수 공간을 탐험합니다. 이론적 분석을 통해 MERGEvolve가 볼록 결합 공간 외부의 영역을 탐험함을 보입니다. 단일 태스크 및 다중 태스크 벤치마크에 대한 광범위한 실험에서 MERGEvolve는 최신 모델 병합 베이스라인과 경쟁적인 성능을 일관되게 달성함을 보여줍니다. 절제 연구(ablation studies)를 통해 고품질 초기 지점이 매개변수 공간의 효율적인 탐험에 핵심적임을 확인합니다.

arXiv:2606.28644v1cs.NE공통 태그 Evolutionary Algorithms, parameter estimation

분산 진화를 이용한 박쥐 알고리즘의 매개변수 설정 분석

Analysis of Parameter Settings for the Bat Algorithm Using Variance Evolution

진화 알고리즘과 메타휴리스틱에서 매개변수 설정은 중요한데, 해당 매개변수 값이 평가 대상 알고리즘의 성능에 영향을 미칠 수 있기 때문이다. 특정 알고리즘에 대해 실제로 잘 작동함을 보이는 수치 실험은 다양하게 존재하지만, 대부분의 경우 매개변수 설정에 대한 이론적 분석은 이루어지지 않는다. 본 연구에서는 동역학 시스템(dynamical systems) 이론과 집단 분산(population variance) 진화를 이용한 이론적 분석이 박쥐 알고리즘(bat algorithm)의 매개변수 범위에 관해 유용한 결과를 제공할 수 있음을 보인다. 또한 수치 실험 결과가 이론적 경계와 일치함을 보인다. 이러한 분석은 분산 진화, 탐험과 활용 간의 전환, 수렴 거동 등 알고리즘의 특성에 대해 다양한 관점에서 유용한 통찰을 제공할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.