Fizik-bilgili uzay-zamansal sembolik regresyonda tablodan grafiğe geçiş

Bilgisayarlara doğanın gizli kurallarını keşfetmeyi öğretmek

Bilimin çoğu, sallanan bir sarkaçtan bir metal çubukta yayılan ısıya kadar dünyanın zaman içinde nasıl değiştiğini açıklayan basit kuralları bulmaya indirgenir. Bu makale, bilgisayarların bu tür kuralları verilerden doğrudan yeniden keşfetmesine yardımcı olacak yeni bir yaklaşımı inceliyor; yaklaşım yalnızca sayılara değil, aynı zamanda bu ölçümlerin nerede ve ne zaman alındığına da dikkat ediyor. Çalışma, verinin geleneksel bir tablo görünümü ile bir ağ görünümünü birleştirmenin, denklemlerin otomatik keşfini daha doğru, gürültüye karşı daha dayanıklı ve gerçek fiziğe daha yakın hale getirebileceğini gösteriyor.

Sayısal tablolarından bağlantı ağlarına

Otomatik denklem keşfi için mevcut araçların çoğu veriyi her satırın bağımsız bir ölçüm olduğu basit bir tablo olarak ele alır. Bu düzenleme basit problemler için işe yarar, ancak hem uzayda hem de zamanda evrilen gerçek fiziksel sistemlerle baş etmekte zorlanır. Bir noktadaki sıcaklık ölçümü komşularına ve kısa süre önce olanlara bağlıdır. Bu bağlantıları görmezden gelmek, bilgisayarların veriye uyan ama gerçekteki yasayı kaçıran formüller üretmesine yol açabilir. Yazarlar, doğanın işleyişine saygı göstermek için sadece ham değerleri değil, hangi ölçümlerin uzayda ve zamanda komşu olduğunu kaydeden bir temsil gerektiğini savunuyorlar.

Ölçümleri bir uzay-zaman ağına dönüştürmek

Bunu düzeltmek için çalışma verinin çift temsiliyetini tanıtıyor. Birinci görünüm tanıdık sayı tablosu. İkinci görünüm ise düğümleri belirli konumlarda ve zamanlarda yapılan ölçümlere karşılık gelen ve kenarları uzayda veya zamanda yakın olan okumaları birbirine bağlayan bir graf, bir ağdır. Bu graf yerel neden-sonuç haritası gibi davranır; uzaysal kenarlar boyunca farklar uzaysal değişimleri, zaman kenarları boyunca farklar ise zaman içindeki değişim hızlarını yansıtır. Graf tabanlı bir sinir ağı bu yapıyı işleyerek düzgün, tutarlı desenleri vurgulayan ve rastgele gürültüyü bastıran sıkıştırılmış, fizik bilgili özellikler öğrenir.

Denklem buluculara fiziği dinlemeyi öğretmek

Bu öğrenilmiş özellikler kullanılabilir hale geldiğinde, insan tarafından okunabilir denklemleri arayan sembolik regresyon araçlarına takılır. Ana yenilik, aday denklemleri aynı anda iki şekilde değerlendiren yeni bir eğitim hedefidir. Birincisi, bir adaydan simüle edilen verinin orijinal ölçümlerle ne kadar iyi eşleştiğini kontrol eder. İkincisi, simüle edilen verinin graf sinir ağı üzerinden geçirildikten sonra gerçek verilerle aynı “gizli” alana düşüp düşmediğini denetler. Bu ikinci kontrol, keşfedilen denklemlerin graf tarafından yakalanan uzaysal ve zamansal ilişkilere uymasını zorlar; böylece sayılara uyan ama bilinen fiziksel yapıyı bozan formüllerden uzaklaştırır.

Yöntemi teste sokmak

Bu fikrin ne kadar iyi çalıştığını görmek için yazarlar yay, ısı akışı, akışkan benzeri hareket ve gecikmeli tepkilere sahip sistemler dahil olmak üzere fiziğe ve mühendisliğe ait on klasik denklemden sentetik veriler ürettiler. Her vaka için ekstra dikkat dağıtıcı sinyaller ve kontrol edilen miktarlarda gürültü eklediler, ardından yeni graf tabanlı temsil ile ve olmadan on farklı denklem bulma yöntemini çalıştırdılar. Genel olarak, çift görünüm kullanmak doğrulukta ılımlı ama tutarlı iyileşmeler, doğru sembolik formun daha iyi kurtarılması ve fiziksel kısıtlamalara daha sıkı bağlılık sağladı. Yararlar özellikle verinin gürültülü veya kıt olduğu, gerçek deneylerde sıkça ortaya çıkan koşullarda çarpıcıydı.

Gelecekteki bilimsel keşif için bunun anlamı

Basitçe söylemek gerekirse, makale bilgisayarlara yalnızca sayıları değil, bu sayıların uzay ve zamanda nasıl ilişkili olduğuna dair bir taslak da verdiğinizde doğru denklemleri daha güvenilir biçimde tahmin etmelerine yardımcı olduğunu gösteriyor. Bir ağ görünümünü standart denklem keşif araçlarına dokuyarak yöntem, bu araçların iç işleyişini değiştirmeden dayanıklılığı artırıyor. Buradaki testler özenle kontrol edilmiş simüle veriler üzerinde yapılsa da yaklaşım, sınırlı ölçümlerden daha güvenilir, fiziksel olarak tutarlı modeller elde etmek için pratik bir yol öneriyor; otomatik denklem keşfini laboratuvarlarda ve mühendislik uygulamalarında günlük kullanıma bir adım daha yaklaştırıyor.

Atıf: 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

Anahtar kelimeler: sembolik regresyon, graf sinir ağları, uzay-zamansal veriler, denklem keşfi, fizik-bilgili öğrenme