🤖 machine learning

Enhancing Symbolic Regression and Universal Physics-Informed Neural Networks with Dimensional Analysis

Dit artikel stelt een raamwerk voor dat dimensionale analyse (specifiek de Buckingham $\Pi$ -stelling en de methode van Ipsen) integreert met symbolische regressie en Universal Physics-Informed Neural Networks om de computationele kosten te verlagen, overfitting te minimaliseren en de nauwkeurigheid bij het ontdekken van de sturende vergelijkingen uit beperkte of ruisgevoelige gegevens aanzienlijk te verbeteren.

Oorspronkelijke auteurs: Lena Podina, Diba Darooneh, Joshveer Grewal, Mohammad Kohandel

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lena Podina, Diba Darooneh, Joshveer Grewal, Mohammad Kohandel

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert het geheime recept voor een heerlijke taart te ontrafelen, maar je hebt alleen een lijst met ingrediënten en de uiteindelijke smaak, niet de instructies. Je wilt de exacte wiskundige formule opschrijven die die ingrediënten omzet in die smaak. Dit is wat wetenschappers Symbolische Regressie noemen: computers gebruiken om de verborgen wiskundige vergelijkingen te ontdekken die verklaren hoe de wereld werkt.

Dit is echter een taak die lijkt op het zoeken naar een specifieke naald in een hooiberg zo groot als een berg. De computer moet miljarden mogelijke formules raden, wat veel tijd kost en vaak leidt tot foute antwoorden (overfitting).

Dit artikel introduceert een slimme truc om deze zoektocht gemakkelijker en nauwkeuriger te maken: Dimensionale Analyse. Denk aan dit als een "eenheidvertaler" die de verwarrende labels (zoals meters, seconden of kilogrammen) wegstript en zich alleen concentreert op de zuivere relaties tussen de getallen.

Hier is hoe de auteurs het hebben aangepakt, met behulp van eenvoudige analogieën:

1. Het Probleem: Te Veel Variabelen

Stel je voor dat je probeert te voorspellen hoe snel een auto zal rijden. Je kijkt misschien naar de motorinhoud, het gewicht van de auto, de windsnelheid, de bandenspanning en de stemming van de bestuurder. Dat zijn vijf verschillende dingen om tegelijkertijd te managen. Als je probeert een formule te vinden die al deze vijf verbindt, wordt het een puinhoop.

2. De Oplossing: De "Buckingham $\Pi$ " en "Ipsen" Filters

De auteurs gebruikten twee specifieke methoden (vernoemd naar hun uitvinders, Buckingham en Ipsen) om het probleem te vereenvoudigen.

De Analogie: Stel je voor dat je een taart bakt. In plaats van je druk te maken over het exacte gewicht van de bloem in grammen of de exacte temperatuur in Celsius, besef je dat wat ertoe doet de verhouding tussen bloem en suiker is, en de verhouding tussen hitte en tijd.
Wat het artikel deed: Ze namen hun complexe gegevens en zetten deze om in deze "dimensieloze groepen" (deze worden ook wel ratio's genoemd). Plotseling, in plaats van vijf variabelen te managen, hoefde de computer er slechts twee of drie te bekijken. Het is alsof je die enorme hooiberg verkleint tot een kleine stapel hooi.

3. Het Experiment: Algebraïsche Vergelijkingen (De "Recept"-test)

Eerst testte het team dit op eenvoudige wiskundige formules (zoals zwaartekracht of hoe een bal valt).

Het Resultaat: Wanneer ze de "ruwe" gegevens (met eenheden) aan de computer voerden, gokte deze vaak fout of duurde het lang. Maar wanneer ze de "ratio"-gegevens (dimensieloos) voerden, vond de computer bijna elke keer de exacte juiste formule, en deed dit veel sneller. Het was alsof ze de computer een kaart gaven in plaats van een blinddoek.

4. De Geavanceerde Test: Het "Gedeeltelijk Bekende" Mysterie (UPINNs)

Vervolgens pakten ze een moeilijkere uitdaging aan: Differentiaalvergelijkingen. Dit zijn vergelijkingen die beschrijven hoe dingen in de loop van de tijd veranderen, zoals een populatie konijnen die groeit of een kraal die om een ring draait.

Het Scenario: Stel je voor dat je de helft van het recept kent (bijv. je weet hoe de konijnenpopulatie van nature groeit), maar je kent het tweede deel niet (bijv. hoeveel konijnen worden opgegeten door vossen).
Het Instrument: Ze gebruikten een speciale AI genaamd UPINN (Universal Physics-Informed Neural Network). Zie de UPINN als een "slimme gokker" die het ontbrekende deel van het recept leert op basis van de gegevens.
De Twist: Ze pasten hun "ratio-filter" (Dimensionale Analyse) toe voordat de slimme gokker naar de gegevens keek.
Het Resultaat:
- Zonder de filter: De slimme gokker had moeite, vooral wanneer de gegevens ruis bevatten (zoals een recept met een paar verbrande kruimels). Het kon het ontbrekende deel niet duidelijk achterhalen.
- Met de filter: De slimme gokker vond het ontbrekende deel veel nauwkeuriger. Omdat de gegevens vereenvoudigd waren tot zuivere ratio's, raakte de computer niet in de war door de ruis of de eenheden.

5. De Grote Overwinning: Het "Lotka-Volterra" Voorbeeld

In hun meest complexe test (een roofdier-prooi model) lieten ze zien dat ze door hun methode te gebruiken, het onbekende deel van de vergelijking konden reduceren tot het hebben van nul extra variabelen.

De Analogie: Normaal gesproken zou je kunnen denken dat het ontbrekende recept afhangt van de temperatuur, de luchtvochtigheid en de tijd van de dag. Maar hun methode toonde aan dat, in feite, het ontbrekende deel alleen afhangt van de verhouding tussen roofdieren en prooien. Het stripte alle onnodige rommel weg, waardoor een kristalheldere, eenvoudige formule overbleef.

Samenvatting

Het artikel beweert dat door de echte wereldgegevens te vertalen naar "zuivere ratio's" (dimensieloze getallen) voordat je een computer vraagt de wiskundige formule te vinden, je kunt:

Het juiste antwoord vinden veel vaker.
Het sneller doen omdat er minder mogelijkheden zijn om te controleren.
Beter omgaan met ruisige gegevens (zoals een recept met een paar foutjes).
Werken zelfs als je slechts een deel van de fysica kent, door AI te helpen de ontbrekende stukjes te vinden.

In essentie hebben ze geen nieuw type computer uitgevonden; ze hebben de computer simpelweg geleerd om naar het probleem te kijken op een eenvoudigere, meer "physics-vriendelijke" manier, waardoor het ontdekken van de geheimen van de natuur veel gemakkelijker wordt.

Technische Samenvatting: Het verbeteren van Symbolische Regressie en UPINNs met Dimensionele Analyse

Probleemstelling
In de techniek en de toegepaste wiskunde is het afleiden van nauwkeurige, interpreteerbare wiskundige modellen uit experimentele gegevens cruciaal voor controle en optimalisatie. Symbolische regressie (SR) is een krachtig hulpmiddel geworden voor het ontdekken van gesloten vorm-vergelijkingen direct uit data zonder vooraf gedefinieerde aannames. SR staat echter voor aanzienlijke uitdagingen: het is een NP-hard probleem dat wordt gekenmerkt door een uitputtende zoekruimte, wat leidt tot hoge computationele kosten, trage convergentie en een hoog risico op overfitting, vooral wanneer datasets beperkt of ruisgevoelig zijn. Bovoltrecht worstelen standaard SR-algoritmen vaak met het afdwingen van fysieke consistentie (dimensionale homogeniteit). Hoewel eerdere werken dimensionale analyse in SR hebben geïntegreerd, waren deze grotendeels beperkt tot volledig bekende vergelijkingen of hebben ze niet systematisch de voordelen van nondimensionalisering aangetoond in scenario's met "gedeeltelijke kennis", waarbij sommige termen van een differentiaalvergelijking bekend zijn en andere moeten worden geleerd.

Methodologie
De auteurs stellen een raamwerk voor dat dimensionale analyse — specifiek de Buckingham $\Pi$ -stelling en Ipsen's methode — integreert met symbolische regressie en Universal Physics-Informed Neural Networks (UPINNs). De methodologie is verdeeld in twee primaire workflows:

Volledige ontdekking van algebraïsche vergelijkingen:
De auteurs combineren de Buckingham $\Pi$ -stelling met het PySR symbolische regressie-algoritme. Ze laten zien dat het transformeren van ruwe dimensionale data naar dimensieloze $\pi$ -termen voorafgaand aan de regressie het aantal inputvariabelen vermindert. Dit proces vereenvoudigt de zoekruimte, waardoor kandidaat-expressies worden geconstrueerd uit dimensieloze groepen in plaats van de oorspronkelijke variabelen, waardoor dimensionaal inconsistente expressies automatisch worden geëlimineerd.
Ontdekking van gedeeltelijke kennis in differentiaalvergelijkingen (De belangrijkste bijdrage):
Voor scenario's waar een differentiaalvergelijking gedeeltelijk bekend is (bijv. $du/dt = P(u,t) + Q(u,t)$ waarbij $P$ bekend is en $Q$ onbekend is), introduceren de auteurs een nieuwe pipeline:

Nondimensionalisering via Ipsen's methode: In tegen tegenstelling tot de Buckingham $\Pi$ -stelling, die het totale aantal $\pi$ -termen minimaliseert, maakt Ipsen's methode de specifieke selectie van dimensieloze constanten mogelijk om het aantal inputvariabelen in de onbekende term $Q$ te minimaliseren. Dit wordt bereikt door dimensies iteratief te elimineren uit de onbekende component.
UPINN Approximatie: Een Universal Physics-Informed Neural Network wordt getraind om de verborgen term $Q$ te herstellen met behulp van de gedimensionaleerde data. De UPINN leert $Q$ als een functie van alleen de relevante dimensieloze groepen, wat de complexiteit van de functiebenaderingstaak aanzienlijk vermindert.
Symbolische Regressie: De output van de UPINN (de benaderde verborgen term) wordt vervolgens ingevoerd in een symbolisch regressie-algoritme (PySR) om een gesloten vorm-expressie voor de dimensieloze onbekende term te vinden.
Herstel: De uiteindelijke dimensieloze vergelijking kan worden teruggekaatst naar de oorspronkelijke dimensionale variabelen om de leidende vergelijking te herstellen.

Het raamwerk werd getest op drie verschillende gevallen: een uitgebreid logistiek groeimodel (eerste-orde ODE), een roterend kraalmodel (tweede-orde ODE) en een uitgebreid Lotka-Volvolterra-systeem (gekoppelde ODE's). Experimenten werden uitgevoerd onder zowel ruisloze als ruisgevoelige condities.

Belangrijkste Bijdragen

Integratie van Buckingham $\Pi$ met SR: Het artikel toont aan dat het combineren van de Buckingham $\Pi$ -stelling met PySR de nauwkeurigheid van het herstellen van algebraïsche vergelijkingen aanzienlijk verbetert, waarbij vaak een exacte herwinning wordt bereikt waar de oorspronkelijke formulering faalt.
Nieuwe Pipeline voor Gedeeltelijke Kennis: De auteurs introduceren een pipeline die Ipsen's methode, UPINNs en SR integreert. Deze aanpak richt zich specifiek op het herstel van onbekende termen in differentiaalvergelijkingen door de dimensionaliteit van de input van de onbekende component te verminderen voordat er geleerd wordt.
Systematische Validatie: De studie biedt een systematische vergelijking van de SR-prestaties op originele versus gedimensionaleerde data over meerdere typen differentiaalvergelijkingen, waarbij consistente verbeteringen in foutmetrieken en vergelingsherstelpercentages worden getoond.

Resultaten

Algebraïsche Vergelijkingen: Bij toepassing op zeven algebraïsche vergelijkingen stelde nondimensionalisering PySR in staat om de ware onderliggende vergelijkingen exact te herstellen (met verwaarloosbare MSE) in bijna alle gevallen, terwijl de oorspronkelijke formulering frequent faalde in generalisatie of onjuiste expressies produceerde. Bijvoorbeeld, in het geval van de wet van Coulomb, reduceerde nondimensionalisering het probleem tot één enkele $\pi$ -term, wat exacte herwinning mogelijk maakte.
Differentiaalvergelijkingen (Logistische Groei): Voor het uitgebreide logistische groeimodel slaagde de UPINN erin de verborgen term te herstellen in zowel de originele als de dimensieloze vorm. Echter, symbolische regressie op de dimensieloze data herstelde de ware expressie ( $\alpha^2/(\alpha^2+1)$ ) met hoge nauwkeurigheid, terwijl SR op de originele data zelfs met een grotere hoeveelheid data de correcte vorm niet kon vinden. Dit voordeel bleef bestaan onder ruisige condities ( $\epsilon=0.05$ en $\epsilon=0.1$ ), waarbij de dimensieloze aanpak aanzienlijk lagere MSE opleverde.
Differentiaalvergelijkingen (Roterend Kraal): Vergelijkbare resultaten werden waargenomen voor het roterende kraalmodel. De dimensieloze aanpak stelde PySR in staat om de ware vergelijking ( $-\epsilon \sin \theta + \sin \theta \cos \theta$ ) te herstellen, terwijl de originele formulering resulteerde in een hoge MSE en onjuiste expressies.
Differentiaalvergelijkingen (Lotka-Volterra): In het uitgebreide Lotka-Volterra systeem werd de onbekende term gereduceerd tot een parameterloze functie van twee dimensieloze variabelen ( $x, y$ ). Hoewel de UPINN de verborgen term in beide gevallen accuraat leerde, worstelde PySR met het herstellen van de exacte rationale functie in beide formuleringen, hoewel de dimensieloze aanpak nog steeds lagere verlieswaarden opleverde. De auteurs merken op dat de dataset mogelijk onvoldoende informatie bevatte om de grondwaarheid te onderscheiden van vergelijkbare expressies.

Betekenis en Claims
Het artikel beweert dat het integreren van dimensionale analyse met symbolische regressie een robuust raamwerk biedt voor de geautomatiseerde ontdekking van leidende vergelijkingen, vooral wanneer data beperkt of ruisgevoelig is. Door de zoekruimte te reduceren tot dimensieloze groepen, verlaagt de methode de computationele kosten, mitigeert het overfitting en zorgt het voor fysieke interpreteerbaarheid. De auteurs benadrukken dat, in tegenstelling tot statistische compressiemethoden (zoals PCA), dimensionale analyse de invariante relaties tussen grootheden behoudt.

De auteurs positioneren dit werk bescheiden als een bewijs van concept (proof-of-concept). Ze erkennen dat de methode rust op aannames zoals volledig bekende inputvariabelen en dimensionale matrices, en dat praktische toepassingen mogelijk het omgaan met verborgen of niet-geobserveerde variabelen vereisen. Ze merken ook op dat hoewel de pipeline de prestaties verbetert, het de ontdekking van de ware vergelijking in elk complex scenario niet garandeert (zoals te zien bij de Lotka-Volterra resultaten). Toekomstig werk suggereert het versoepelen van deze aannames, het creëren van benchmarks met echte data en het onderzoeken van de specifieke effecten van verschillende nondimensionaliseringsstrategieën op de prestaties van algoritmen.