Från tabell till graf i fysikinformerad spatio-temporal symbolisk regression

Lära datorer att avslöja naturens dolda regler

Mycket av vetenskapen handlar om att hitta enkla regler som förklarar hur världen förändras över tid, från en pendel i gungning till värmespridning i en metallstång. Denna artikel utforskar ett nytt sätt att hjälpa datorer återupptäcka sådana regler direkt från data genom att uppmärksamma inte bara siffrorna själva utan också var och när de mättes. Arbetet visar hur kombinationen av två vyer på data, en traditionell kalkylbladsvy och en nätverksvy, kan göra automatisk upptäckt av ekvationer mer exakt, mer robust mot brus och närmare verklig fysik.

Från kalkylblad med siffror till nät av samband

De flesta nuvarande verktyg för automatisk ekvationsupptäckt behandlar data som en enkel tabell där varje rad är en oberoende mätning. Den uppställningen fungerar för enkla problem men får svårt med verkliga fysiska system som utvecklas både i rum och tid. En temperaturavläsning på en punkt beror på sina grannar och på vad som hände en stund tidigare. Att ignorera dessa länkar kan leda till att datorer producerar formler som passar datan men missar den verkliga underliggande lagen. Författarna menar att för att respektera hur naturen fungerar behöver vi en representation som håller reda på vilka mätningar som är grannar i rum och tid, inte bara deras råa värden.

Förvandla mätningar till ett rums-tid-nätverk

För att åtgärda detta presenterar studien en dubbel representation av data. Den första vyn är den välbekanta tabellen med siffror. Den andra vyn är en graf, ett nätverk vars noder motsvarar mätningar tagna på specifika platser och tidpunkter, medan kanter förbinder avläsningar som ligger nära varandra i rum eller i tid. Denna graf fungerar som en karta över lokal orsak och verkan, där skillnader längs rumskanter speglar rumsliga förändringar och skillnader längs tidskanter efterliknar förändringstakter över tid. Ett grafbaserat neuralt nätverk bearbetar sedan denna struktur för att lära sig komprimerade, fysikmedvetna funktioner som framhäver jämna, konsekventa mönster och nedtonar slumpmässigt brus.

Lära ekvationssökare att lyssna på fysiken

När dessa inlärda funktioner finns tillgängliga kopplas de in i verktyg för symbolisk regression, som söker efter människoläsbara ekvationer som beskriver datan. Nyckelinnovation är ett nytt träningsmål som bedömer kandidat‑ekvationer på två sätt samtidigt. Först kontrollerar det hur väl simulerad data från en kandidat matchar de ursprungliga mätningarna. För det andra kontrollerar det om den simulerade datan, efter att ha passerat genom det grafneuronätverket, hamnar i samma “latenta” rum som den riktiga datan. Denna andra kontroll tvingar de upptäckta ekvationerna att respektera de rumsliga och temporala relationer som fångats av grafen och skjuter bort sökningen från formler som passar siffrorna men bryter mot känd fysikalisk struktur.

Sätta metoden på prov

För att se hur väl idén fungerar genererade författarna syntetiska data från tio klassiska ekvationer hämtade från fysik och teknik, inklusive lagar för fjädrar, värmeflöde, fluidliknande rörelser och system med fördröjda responser. För varje fall lade de till extra distraherande signaler och kontrollerade mängder brus, sedan körde de tio olika ekvationsfyndande metoder både med och utan den nya grafbaserade representationen. Överlag ledde användningen av den dubbla vyn till blygsamma men konsekventa förbättringar i noggrannhet, bättre återhämtning av korrekt symbolisk form och närmare överensstämmelse med fysiska begränsningar. Vinsterna var mest påtagliga när datan var brusig eller knapp, förhållanden som ofta uppstår i verkliga experiment.

Vad detta betyder för framtida vetenskaplig upptäckt

Enkelt uttryckt visar artikeln att om man ger datorer inte bara siffrorna utan också en skiss av hur dessa siffror hänger samman i rum och tid, hjälper det dem att gissa rätt ekvationer mer pålitligt. Genom att fläta in en nätverksvy i annars standardverktyg för ekvationsupptäckt förbättrar metoden robustheten utan att ändra verktygens inre funktion. Medan testerna här använder noggrant kontrollerade simulerade data pekar tillvägagångssättet på en praktisk väg mot mer pålitliga, fysikaliskt konsistenta modeller från begränsade mätningar, vilket för automatiserad ekvationsupptäckt ett steg närmare vardaglig användning i laboratorier och ingenjörspraxis.

Citering: 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

Nyckelord: symbolisk regression, grafneuronätverk, spatio-temporala data, ekvationsupptäckt, fysikinformerat lärande