💻 computer science

A Data-Free Symbolic Regression Approach for Solving Equations

本論文は、学習データを必要とせず、支配方程式と境界条件から直接的な明示的解析解を復元するために、方程式の解法を微分可能な記号モデル上の最適化問題として定式化する、データフリーのフレームワークであるSymbolic Equation Solver (SES) を紹介するものである。

原著者： Sergei Garmaev, Vinay Sharma, Olga Fink

公開日 2026-06-08

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Sergei Garmaev, Vinay Sharma, Olga Fink

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、謎を解こうとしている探偵だと想像してください。通常、謎を解くには、「容疑者は午後5時にここにいた」「容疑者がそこに足跡を残した」といった、手がかりのリストが必要です。数学の世界では、これは入力・出力データ（例：「2を入力すると4になり、3を入力すると9になる」）を持っているようなものです。伝統的な手法は、こうした「手がかり」を探すことに頼っています。

しかし、もし手がかりが一つもなかったらどうでしょう？もし、宇宙のルールブックだけを持っていたとしたら？例えば、「重力は物を下に引く」というルールは知っているけれど、実際に落下する物体のリストは持っていない、という状況です。ただ、そのルール自体だけを知っているのです。

これが、この論文が取り組んでいる問題です。多くの科学的な方程式は、そのようなルールブックのようなものです。私たちは法則（方程式）を知っていますが、その解を単純な数式として書き下ろすことは容易ではありません。通常、科学者は近似的な答えを得るために、コンピュータによる力まかせの数値計算を使わなければなりません。それは、容疑者の写真を撮る際に、ピントがぼやけた写真を手に入れるようなものです。機能はしますが、細部までは見えません。

新しい探偵：「記号的方程式ソルバー（SES）」

著者らは、SESと呼ばれる新しいツールを提案しています。SESを、手がかり（データ）を必要としない探偵だと考えてください。その代わりに、SESはルールブック（方程式）と事件現場（「ボールが丘の頂上からスタートした」といった初期条件）を受け取り、そこからゼロから完璧で鮮明な解決策の記述を構築しようとします。

その仕組みを、簡単な比喩を使って説明します。

1. 「レゴ」ビルダー

レゴブロックの箱を想像してください。これらのブロックは、「足し算」「掛け算」「二乗」「指数関数」「tanh（特定の曲線形状）」といった数学的な道具を表しています。

従来の手法は、通常、他の建物の写真（データ）を見て、建物の形を推測しようとします。
SESは、設計図（方程式）を与えられ、「この設計図に完璧に合う構造物を作れ」と命じられます。

2. 「試行錯誤」ゲーム

SESは、まずランダムにレゴブロックを組み合わせて、推測を開始します。これは、計画なしにタワーを作る子供のようなものです。

SESは、自分の作ったタワーを設計図と照らし合わせます。「重力は下に引く」というルールに合っているか？「頂上からスタートする」というルールに合っているか？
もしタワーがぐらついたり、ルールに適合しなかったりした場合、SESは自分が間違いを犯したことを知ります。SESはスマートな「ゴムバンド」（数学的な最適化）を使用して、間違ったブロックを引き離し、新しいブロックをパチっとはめ込みます。
これを何百万回と繰り返し、完璧なフィットに近づいていきます。

3. 「魔法の公開」

タワーが完成し、ルールに完璧に適合すると、SESは単なるブロックの塊として放置することはありません。完成した構造物を見て、「ああ！これが何であるか分かったぞ」と言うのです。そして、複雑に組み合わされたブロックを、シンプルで読みやすい一文へと翻訳します。

「答えは単純に、xの二乗プラスyである」

これが「記号的（Symbolic）」な部分です。機械にしか読めないコンピュータコードを与えるのではなく、人間が読める数式を与えるのです。

彼らは何をテストしたのか？

著者らは、この探偵を4種類のパズルでテストしました。

単純な代数: 2つの数字を足すと7になり、引くと1になる数を求める。（SESは、数字が2と1であることを発見しました）。
トリッキーな「超越方程式」: 通常のテクニックでは解けない数学の問題です。SESはそれでも正確な答えを見つけ出しました。
動く物体（微分方程式）: 波が時間の経過とともにどのように移動するかを予測します。SESは、波の形状に関する正確な数式を導き出しました。
複雑な曲面（偏微分方程式）: 特定の端を持つ平らな正方形のプレート上で、熱がどのように広がるかを解き明かします。SESは、熱の正確な数学的マップを再構築しました。

なぜこれがすごいのか？

以前は、もし単純な数式が欲しければ、データを持っていなければなりませんでした。データがない場合は、正確ではあるものの理解しにくい「ブラックボックス」的なコンピュータの数値で妥協するしかありませんでした。

SESは、その溝を埋めるものです。それはこう言います。「データは必要ない。必要なのはルールだけだ」。

SESは、科学における複雑で解くのが難しいルールを取り込み、それをクリーンでシンプルな、人間が読める数式へと変えてくれます。それは、容疑者のぼやけたピクセル化された写真を、実際に認識できる高精細なスケッチへと変えるようなものです。

結論

この論文は、SESが「例（データ）」はあるが「ルール」しかない数学の問題を解くための、新しい方法であると主張しています。SESは、ルールに完璧に適合させることで解決策を構築し、そして答えをシンプルで優雅な数式として書き出します。これにより、科学者は単に「数値がどうであるか」だけでなく、「なぜそれが起こるのか」という理由を理解できるようになるのです。

技術要約：方程式解決のためのデータフリーな記号回帰アプローチ

問題提起

科学や工学における多くの数式、特に超越項や複雑な微分演算子を含むものは、既存の解析的手法では解くことができない。その結果、これらは通常、明示的な記号表現を持たない数値解を与える近似的な手法によって対処されている。数値解は定量的には正確であるが、基礎となる関数依存性、対称性、およびシステムの定性的挙動を隠蔽してしまうことが多い。

明示的な解を復元するための既存のアプローチには、以下のトレードオフが存在する：

解析ソルバー（Analytical Solvers）： 正確な記号解を導出できるが、特定の数式の構造（例：多項式系や制限されたクラスの常微分方程式）に限定される。
記号回帰（Symbolic Regression）： 解釈可能な式を発見できるが、本質的に教師ありのペアとなる入出力データに依存しており、支配方程式と境界条件のみが既知である場合には、そのようなデータは利用できないことが多い。
残差ベースのニューラル手法（例：PINNs）： 支配方程式と制約条件から直接動作し、ラベル付きデータを必要としない。しかし、これらはニューラルネットワークのパラメータにエンコードされた解（数値近似）を生成するため、さらなる解析的有用性が制限される。

支配方程式と補助的な制約条件から直接動作し、教師ありの入出力データを必要とせず、明示的な記号形式で解を復元できる手法の空白が、文献の中に存在する。

手法：記号方程式ソルバー（SES）

著者らは、微分可能な記号モデル上の最適化問題として方程式の解決を定式化するフレームワークである、**記号方程式ソルバー（Symbolic Equation Solver: SES）**を提案する。従来の記号回帰とは異なり、SESはデータにモデルを適合させるのではなく、支配方程式とその制約を満たすように記号式を最適化する。

コアアーキテクチャ

記号モデルクラス： SESは、Equation Learner (EQL) の定式化に基づいた微分可能な記号ネットワークを利用する。このアーキテクチャでは、従来のニューラルネットワークの活性化関数が、記号演算子のライブラリ（例：恒等、定数、二乗、指数関数、双曲線正接、乗算）に置き換えられている。
微分可能性： ネットワークは完全に微分可能であり、勾配が記号演算子を通じて伝播することを可能にする。これにより、標準的な一次最適化手法（Adam）を用いて、記号式の係数に対応するネットワークの重みを最適化することができる。
目的関数： 学習信号は、完全に残差から導出される。支配方程式 $F_k(x, u, \nabla u, \dots) = 0$ と補助条件 $B_j(x, u, \nabla u, \dots) = 0$ が与えられたとき、SESは、コロケーション点で評価された二乗残差の合計を最小化する損失関数を最小化する：
$L(\theta) = \frac{1}{N_F}\sum |F_k|^2 + \frac{1}{N_B}\sum |B_j|^2$
非微分方程式の場合、この変数を定数関数として扱うために、コロケーション点を生成するための補助変数が導入される。

最適化戦略

収束性の高い、疎で解釈可能な解を得るために、学習プロセスは3つの明確なフェーズで構成される：

残差最小化： 方程式を満たすために、残差目的関数のみを用いて50,000エポック学習を行う。
疎性誘導： 内部の重みに対して $\ell_1$ ペナルティを加えながら、200,000エポック学習を継続する。このフェッションでは、損失への寄与が低い重みの25%を定期的に削除するプルーニング機構が働き、コンパクトな記号構造を促す。
微調整（Fine-Tuning）： $\ell_1$ ペナルティを取り除き、残りの重みを残差目的関数のみを用いて20,000エポック微調整する。
抽出： プルーニングされた計算グラフを辿り、学習された重みを小数点第5位で丸めることで、最終的な記号式を抽出する。

主な貢献

データフリーな記号復元： SESは、ペアとなる入出力の学習データを用いず、支配方程式の数学的構造と制約のみに基づいて、明示的な記号解を復元できることを実証した。
統一されたフレームワーク： このアプローチは、残差ベースのニューラルソルバー（PINNsなど）の方程式駆動型最適化原理と、記号回帰の解釈可能性性を統合する。これは、単一の定式化内で代数方程式と微分方程式の両方に適用できる。
システムに対する結合最適化： 本フレームワークは、複数の未知量を持つシステムにも自然に拡張でき、共有された目的関数の下でそれらを共同で最適化する。

実験結果

著者らは、多様な問題に対してSESを評価し、復元された記号式を既知の解析解と比較した：

線形系： 線形方程式の系に対して、正確な定数解（ $x=2, y=1$ ）を正常に復元した。
超越方程式： $e^x + x^3 = e + 1$ という、標準的な記号分離では数値解法を必要とする問題に対し、解 $x=1$ を復元した。
常微分方程式 (ODEs)：
- 非線形常微分方程式 $dy/dt = 1 - y^2$ に対して、 $y(t) = \tanh(t)$ を復元した。
- 線形輸送方程式に対して、二次輸送解 $u(x,t) = (x-t)^2$ を復元した。これは、近似的な係数値にもかかわらず、正しい関数形式を保持している。
偏微分方程式 (PDEs)：
- 混合境界条件を持つ2次元ポアソン方程式を正常に解き、正確な多項式構造 $u(x,y) = x^2 + y^2 + xy^2$ を復元した。
- 同じPDEに対する別の境界条件のセットに対しても解を復元し、異なる制約構成に対する堅牢性を示した。

すべてのケースにおいて、SESは解析解と一致するコンパクトな記号式を生成し、多くの場合、正しい関数依存性と対称性を明らかにした。

意義と主張

本論文は、方程式の解決が単なる解析的導出や数値近似ではなく、記号関数空間における最適化として再定義できると主張している。SESの意義は、方程式ベースの定式化と記号復元との間の溝を埋める能力にある。

解釈可能性と発見： 明示的な記号形式で解を復元することにより、SESは、純粋な数値近似からは推論することが困難な構造的依存性や関数的関係を露出させる。著者らは、この能力が科学的な仮説生成および発見のメカニズム、すなわち候補となる解析形式や不変性を提供する手段になり得ると示唆している。
科学機械学習（Scientific Machine Learning）： SESは、記号的推論を科学機械学習により直接的に統合する一歩であり、予測可能かつ構造的に根ざしたモデルへの道を提供するものである。
限界と今後の課題： 著者らは、現在の結果が既知の解析解と比較的簡潔な構造を持つ問題に対する概念実証であることを控えめに述べている。より高度なPDE、高次元システム、およびカオス力学に対応するには、より表現力豊かなアーキテクチャ、より豊かな演算子ライブラリ、およびより堅牢な最適化戦略が必要であることを認めている。

新しい探偵： 「記号的方程式ソルバー（SES）」