Overgaan van tabel naar graaf in fysica-geïnformeerde spatio-temporele symbolische regressie

Computers leren verborgen wetten van de natuur te onthullen

Veel van de wetenschap komt neer op het vinden van eenvoudige regels die verklaren hoe de wereld in de loop van de tijd verandert, van een slingerend pendulum tot warmte die zich door een metalen staaf verspreidt. Dit artikel belicht een nieuwe manier om computers zulke regels direct uit gegevens te laten herontdekken, door niet alleen naar de getallen zelf te kijken maar ook naar waar en wanneer ze gemeten zijn. Het werk laat zien hoe het combineren van twee gezichtspunten op gegevens — de traditionele spreadsheetweergave en een netwerkweergave — de automatische ontdekking van vergelijkingen nauwkeuriger maakt, robuuster tegen ruis en dichter bij echte fysica brengt.

Van spreadsheets met cijfers naar webben van verbindingen

De meeste huidige tools voor automatische vergelijkingontdekking behandelen gegevens als een eenvoudige tabel, waarbij elke rij een onafhankelijke meting is. Die opzet werkt voor eenvoudige problemen maar heeft moeite met echte fysieke systemen die zich zowel in ruimte als in tijd ontwikkelen. Een temperatuurmeting op één punt hangt af van zijn buren en van wat er een ogenblik eerder gebeurde. Het negeren van deze verbanden kan ertoe leiden dat computers formules produceren die de data wel passen maar de werkelijke onderliggende wet missen. De auteurs betogen dat, om recht te doen aan hoe de natuur werkt, we een representatie nodig hebben die bijhoudt welke metingen buren zijn in ruimte en tijd, en niet alleen hun ruwe waarden.

Metingen omzetten in een ruimte-tijd-netwerk

Om dit op te lossen introduceert de studie een dubbele representatie van gegevens. De eerste weergave is de vertrouwde tabel met getallen. De tweede weergave is een graaf, een netwerk waarvan de knopen overeenkomen met metingen op specifieke locaties en tijdstippen, terwijl randen metingen verbinden die dicht bij elkaar liggen in ruimte of in tijd. Deze graaf fungeert als een kaart van lokale oorzaak en gevolg, waarbij verschillen langs ruimtelijke randen ruimtelijke veranderingen weerspiegelen en verschillen langs tijdsranden snelheden van verandering in de tijd nabootsen. Een graafgebaseerd neuraal netwerk verwerkt vervolgens deze structuur om gecomprimeerde, fysica-bewuste kenmerken te leren die vloeiende, consistente patronen benadrukken en willekeurige ruis onderdrukken.

Vergelijkingsvinders leren naar fysica te luisteren

Wanneer deze geleerde kenmerken beschikbaar zijn, worden ze ingevoerd in tools voor symbolische regressie, die zoeken naar mensleesbare vergelijkingen die de gegevens beschrijven. De kerninnovatie is een nieuwe trainingsdoelstelling die kandidaatvergelijkingen op twee manieren tegelijk beoordeelt. Ten eerste controleert ze hoe goed gesimuleerde gegevens van een kandidaat overeenkomen met de originele metingen. Ten tweede controleert ze of de gesimuleerde gegevens, nadat ze door het graafneurale netwerk zijn gegaan, in dezelfde "latente" ruimte terechtkomen als de echte gegevens. Deze tweede controle dwingt de ontdekte vergelijkingen om de ruimtelijke en temporele relaties vastgelegd door de graaf te respecteren, waardoor de zoekrichting wordt weggeduwd van formules die de cijfers wel passen maar bekende fysieke structuren schenden.

De methode op de proef stellen

Om te zien hoe goed dit idee werkt, genereerden de auteurs synthetische gegevens uit tien klassieke vergelijkingen uit de fysica en techniek, waaronder wetten voor veren, warmtestroom, vloeistofachtige beweging en systemen met vertraagde reacties. Voor elk geval voegden ze afleidende signalen en gecontroleerde hoeveelheden ruis toe, en lieten ze vervolgens tien verschillende methode voor vergelijkingontdekking draaien, zowel met als zonder de nieuwe graafgebaseerde representatie. Over de hele linie leidde het gebruik van de dubbele weergave tot bescheiden maar consistente verbeteringen in nauwkeurigheid, betere terugwinning van de juiste symbolische vorm en nauwere naleving van fysieke begrenzingen. De voordelen waren het duidelijkst wanneer de gegevens ruisig of schaars waren, omstandigheden die vaak voorkomen bij echte experimenten.

Wat dit betekent voor toekomstige wetenschappelijke ontdekking

In eenvoudige termen toont het artikel aan dat het computers niet alleen de getallen geeft, maar ook een schets van hoe die getallen ruimtelijk en temporally met elkaar verbonden zijn, waardoor ze betrouwbaarder de juiste vergelijkingen raden. Door een netwerkweergave in te weven in anderszins standaard hulpmiddelen voor vergelijkingontdekking, verbetert de methode de robuustheid zonder de interne werking van die hulpmiddelen te veranderen. Hoewel de tests hier gebruikmaken van zorgvuldig gecontroleerde gesimuleerde gegevens, suggereert de aanpak een praktische weg naar meer betrouwbare, fysisch consistente modellen uit beperkte metingen, waarmee automatische vergelijkingontdekking een stap dichterbij dagelijks gebruik in laboratoria en engineeringpraktijk komt.

Bronvermelding: 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

Trefwoorden: symbolische regressie, graaf neurale netwerken, spatio-temporele gegevens, vergelijkingsontdekking, fysica-geïnformeerd leren