物理情報を取り入れた時空間シンボリック回帰で表形式からグラフへ移行する

自然の隠れた規則をコンピュータに見つけさせる

多くの科学は、振り子の振動や金属棒に広がる熱のように、世界が時間とともにどう変化するかを説明する単純な規則を見つけることに帰着します。本稿は、数値そのものだけでなく、それがどこでいつ測定されたかにも注意を払うことで、コンピュータがデータから直接そのような規則を再発見する新しい方法を探ります。本研究は、従来のスプレッドシートのような表形式ビューと、測定点同士のつながりを示すネットワークビューという二つの視点を組み合わせることで、方程式の自動発見がより正確に、ノイズに対してより頑健に、そして実際の物理により忠実になることを示しています。

数値の表からつながりの網へ

現在の多くの自動方程式発見ツールは、各行が独立した測定を表す単なる表としてデータを扱います。その設定は単純な問題には有効ですが、空間と時間の両方で進化する実際の物理系では行き詰まります。ある点での温度読みは近隣の点や少し前に起きたことに依存します。これらのつながりを無視すると、データに合致するが実際の基礎法則を見落とす式が生成されることがあります。著者らは、自然の働きを尊重するためには、生データの値だけでなく、どの測定が時空間で隣接しているかを記録する表現が必要だと主張します。

測定を時空間ネットワークに変換する

これを解決するために、本研究はデータの二重表現を導入します。第一の視点は馴染み深い数値の表です。第二の視点はグラフであり、ノードは特定の場所と時刻で取られた測定に対応し、エッジは空間的または時間的に近い読みを結びます。このグラフは局所的な因果関係の地図として機能し、空間のエッジに沿った差分は空間変化を、時間エッジに沿った差分は時間に対する変化率を反映します。グラフベースのニューラルネットワークはこの構造を処理して、滑らかで一貫したパターンを強調し、ランダムなノイズを抑えるような、物理を意識した圧縮特徴を学習します。

方程式探索器に物理を聞かせる

これらの学習された特徴が得られると、それらは人が読める方程式を探索するシンボリック回帰ツールに組み込まれます。重要な革新は、候補方程式を二重に評価する新しい学習目的関数です。第一に、候補からシミュレートしたデータが元の測定とどれだけ一致するかを検査します。第二に、シミュレーションデータをグラフニューラルネットワークに通した後に、実データと同じ「潜在」空間に位置するかをチェックします。この第二の検査は、発見された方程式がグラフで捉えられた空間的・時間的関係を尊重することを強制し、数値には合うが既知の物理的構造を破る式への探索を遠ざけます。

手法の検証

このアイデアの有効性を確かめるために、著者らはばねの法則、熱伝導、流体様の運動、遅延応答を持つ系など、物理学や工学の古典的な十個の方程式から合成データを生成しました。それぞれに追加の気を散らす信号や制御された量のノイズを加え、新しいグラフベース表現の有無で十種類の方程式発見手法を実行しました。全般的に、二重の視点を使うことで、精度の緩やかながら一貫した向上、正しい記号形式のより良い復元、物理的制約へのより近い遵守が得られました。データがノイズを含むか乏しい場合、すなわち実験でしばしば生じる条件下でその利点は特に顕著でした。

今後の科学的発見への示唆

簡潔に言えば、本稿はコンピュータに数値だけでなく、それらの数値が時空間でどう関連するかの概略を与えることで、正しい方程式をより確実に推測できるようになることを示しています。ネットワークビューを既存の方程式発見ツールに織り込むことで、これらツールの内部動作を変えずに堅牢性を向上させています。ここでの検証は慎重に制御された合成データを用いているものの、このアプローチは限られた測定からより信頼でき、物理的に一貫したモデルを得る実用的な道筋を示しており、実験室や工学の現場での自動方程式発見の実用化に一歩近づける可能性があります。

引用: Lazebnik, T., Liberzon, A. Moving from table to graph in physics-informed spatio-temporal symbolic regression. Sci Rep 16, 16016 (2026). https://doi.org/10.1038/s41598-026-53882-w

キーワード: シンボリック回帰, グラフニューラルネットワーク, 時空間データ, 方程式発見, 物理情報に基づく学習