NestyNet. III. Symbolic Regression from Analytic Neural Surrogates
NestyNet-SRは、解析的なニューラルサロゲートを活用して複雑なデータを分離可能な成分へと再帰的に分解し、それらを厳密な閉形式の式へと蒸留することで、ベンチマークにおいて最先端の性能を達成し、実際の天文学的データから基礎的な物理法則の再発見に成功した、新しい記号回帰フレームワークである。
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
自然界は、しばしばその最も単純な規則を複雑さというベールの背後に隠しています。物理法則は、生のデータとして記述されると変数の絡み合った結び目のように見えるかもしれませんが、もし適切な見方さえ知っていれば、それは一つの優雅な一文になり得ます。何世紀もの間、科学者たちはその正しい見方を見つけ出し、結び目を解いてその下にある清らかな構造を明らかにするために、人間の直感に頼ってきました。しかし、宇宙がより多くのデータとより複雑なシステムを提示するにつれ、私たちの助けのない精神では、そのパターンを見出すことが困難になっています。問題は、機械がより広い範囲の可能性を調査し、データに完璧に適合し、かつ私たちがこれまで見たことのない新しい状況においてどのように振る舞うかを予測できるような関係性を発見できるかどうか、という点に移っています。これが「記号回帰（シンボリック・リグレッション）」と呼ばれる分野の目標です。つまり、単にグラフに曲線を当てはめるのではなく、世界を記述する実際の数学的な文章を探し出すことなのです。
課題は、可能な文章の数が膨大すぎて、それらを一つずつ検索することは不可能であることです。それは、あらゆる棚にあらゆる言葉の組み合わせが含まれている図書館の中で、特定の1冊の本を探そうとするようなものです。この問題を解決するために、ロドリゴ・イバタ氏とそのチームは、「NestyNet-SR」と呼ばれる新しい手法を開発しました。ランダムな文章を推測する代わりに、彼らのシステムはまず、一種の人工ニューラルネットワークを用いて、データの非常に正確で柔軟なモデルを構築します。このモデルは代理物（サロゲート）、つまりデータを熟知した代役として機能します。決定的な革新は、この代理物が数学的に透明であるように設計されている点です。これにより、研究者は入力を微調整したときに、出力がどのように変化するかを極めて細部まで正確に計算することができます。これらの変化を研究することで、システムは、データがより単純で独立した部分に分解できるかどうかを検知できます。システムは次のような問いを投げかけます。「この部分は温度だけに依存しているのか、それとも別の部分は圧力だけに依存しているのか？」「あるいは、全体を単純に機能させるための、特定の比率や和のような隠れた変数の組み合わせがあるのだろうか？」
システムがこれらの単純な構成要素を特定すると、第2段階である、それらを人間が読める言語へと翻訳するプロセスへと進みます。ここにおいて、この手法は真価を発揮します。この手法は単に一つの完璧な公式を探すのではなく、構造の探索と数値の探索を分離します。鍵の正確な歯のサイズを知らなくても、その鍵の形を探そうとする場面を想像してみてください。システムはまず、式の「骨格」である形を見つけ、それから正確な数値を当てはめます。このアプローチにより、他の手法では行き詰まってしまうような、複雑な入れ子構造を扱うことが可能になります。システムは、関係性が正弦波、平方根、あるいはべき乗則を含んでいることを発見でき、データにノイズがあったり、複数の異なる実験から同時に得られたデータであったりする場合でも、それを実行できます。また、システムは物理的な実態に対して厳格です。単位の整合性をチェックし、例えばメートルに秒を足してしまうような誤った公式にならないよう保証します。
チームは、コンピュータにとって解くのが難しいとされる、AI Feynmanベンチマークとして知られる有名な120個の物理方程式のセットを用いて、この手法をテストしました。ノイズのない世界では、システムはこれら120個の方程式すべてを正確に復元することに成功しました。これはこの種のベンチマークにおいて初の快挙です。システムは、複雑な方程式を単純に見せる隠れた内部座標を見つけ出すことでこれを達成しました。現実世界の測定における不完全さをシミュレートするために現実的なノイズを加えた場合でも、システムは問題の約半分に対して正しい構造を見つけ出すことができ、どの構造が依然として信頼できるかを研究者に伝えることができました。この、「真の法則」と「たまたま当たっただけの推測」を区別する能力は、大きな前進です。
この手法が現実の天文学的データに対して有効であることを証明するために、研究者たちはSPARCサーベイから得られた渦巻銀河のコレクションにこれを適用しました。彼らは、銀河の回転に対するガスと星の個別の寄与のみをコンピュータに与え、それらをどのように組み合わせるかは教えませんでした。システムは、これらの銀河がどのように回転するかを支配する規則を見つけるよう求められました。事前の指示なしに、アルゴリズムは、回転速度がガスと星の両方からの単一の結合された加速度の尺度に依存していることを発見しました。システムは、星の光度比（質量光度比）に一致するように、星をガスに対してどのように重み付けすべきかという正しい方法を見つけ出しました。さらに、観測された運動とこの結合された加速度との間の関係が、天文学において長年議論されてきた特定の、一意的ではない形式に従っていることを確認しました。システムはまた、この関係の傾きに対する自信の統計的な尺度を提供し、銀河の深くゆっくりとした動きの部分が、高速で動く外縁部とは異なるルールに従っていることを示しました。
この研究は、正確な数学的代理物とスマートな階層的探索戦略を組み合わせることで、生のデータから解釈可能な自然の法則へと移行できることを示しています。このシステムは単に数値を予測するのではなく、宇宙の構造を明らかにします。つまり、銀河の複雑なダンスの中にも、適切な見方さえしていれば見つけられる、単純で発見可能なルールが存在することを教えてくれるのです。研究者たちは彼らのコードとデータを公開しており、惑星の運動から流体の挙動に至るまで、自身の問題に対してこれらの手法をテストすることを他の人々にも許可しています。ニューラルネットワークから閉じた形式の式への道は、もはや謎ではありません。それは、私たちの世界を支配する根本的な法則を理解するための、実用的なルートなのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。