Physical Symbolic Optimization

要約

方程式の自動逐次生成を構築によって次元解析の規則に従うように制約するためのフレームワークを提案します。
このアプローチと強化学習を組み合わせて、単位制約を利用して物理データから分析関数を回復するための物理シンボリック最適化手法である $\Phi$-SO を構築しました。
当社のシンボリック回帰アルゴリズムは、変数と定数が既知の物理単位を持つコンテキストで最先端の結果を達成し、ノイズ (0.1% を超える) の存在下で SRBench のファインマン ベンチマークで他のすべての手法を上回り、ノイズの存在下でも回復力を示します。
重大な (10%) レベルのノイズ。

要約(オリジナル)

We present a framework for constraining the automatic sequential generation of equations to obey the rules of dimensional analysis by construction. Combining this approach with reinforcement learning, we built $\Phi$-SO, a Physical Symbolic Optimization method for recovering analytical functions from physical data leveraging units constraints. Our symbolic regression algorithm achieves state-of-the-art results in contexts in which variables and constants have known physical units, outperforming all other methods on SRBench’s Feynman benchmark in the presence of noise (exceeding 0.1%) and showing resilience even in the presence of significant (10%) levels of noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google