[論文レビュー] Neuro-Symbolic Multitasking: A Unified Framework for Discovering Generalizable Solutions to PDE Families

Yipeng Huang, Dejun Xu+3 more|arXiv (Cornell University)|Feb 12, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

この論文は、関連する PDE に跨る学習済み構造を転送することで全 PDE ファミリの解析解を発見する神経補助型マルチタスキング記号回帰フレームワーク NMIPS を提示し、ベースラインより精度と解釈可能性を向上させる。

ABSTRACT

Solving Partial Differential Equations (PDEs) is fundamental to numerous scientific and engineering disciplines. A common challenge arises from solving the PDE families, which are characterized by sharing an identical mathematical structure but varying in specific parameters. Traditional numerical methods, such as the finite element method, need to independently solve each instance within a PDE family, which incurs massive computational cost. On the other hand, while recent advancements in machine learning PDE solvers offer impressive computational speed and accuracy, their inherent ``black-box" nature presents a considerable limitation. These methods primarily yield numerical approximations, thereby lacking the crucial interpretability provided by analytical expressions, which are essential for deeper scientific insight. To address these limitations, we propose a neuro-assisted multitasking symbolic PDE solver framework for PDE family solving, dubbed NMIPS. In particular, we employ multifactorial optimization to simultaneously discover the analytical solutions of PDEs. To enhance computational efficiency, we devise an affine transfer method by transferring learned mathematical structures among PDEs in a family, avoiding solving each PDE from scratch. Experimental results across multiple cases demonstrate promising improvements over existing baselines, achieving up to a $\sim$35.7% increase in accuracy while providing interpretable analytical solutions.

研究の動機と目的

• パラメータ化された事例間で共有された数学的構造を活用して、PDE ファミリを効率的に解く必要性を動機づける。
• ファミリ内の複数の PDE を同時に解くマルチタスキング記号回帰フレームワークを提案する。
• PDE の事例間で学習した数学的構造を再利用するアファイン転送法を開発する。
• 黒箱の数値近似ではなく、解釈可能な解析解を提供する。
• PDE ファミリのベンチマークで精度と一般化の empirical 改善を示す。

提案手法

• 共通のエンコード空間内で K 個の PDE タスクを並列 solve する多因子最適化を用いる。
• 解析解を Karva 式としてエンコードされた式木で表現し、メイン関数と再利用可能な ADF サブ関数を含む。
• C-ADF エンコードを、整数ベースの記号表現とタスク固有のデコードを用いたマルチタスク設定へ拡張する。
• 定数を自動微分による勾配方で調整し、データ適合性 RMSE と物理一貫性（PDE 残差、初期条件/境界条件）を評価する。
• 学習可能な ML プロパを用いてスケーリングとシフトパラメータを生成することで、2つのタスク集団間のアファイン変換ベースの知識移転を組み込む。
• 多様性を維持するため、二つの再現戦略（一点交叉と均一変異、DEベースの変異と交叉）を採用する。

実験結果

リサーチクエスチョン

• RQ1 単一のマルチタスキング記号回帰フレームワークで、パラメータが異なる全 PDE ファミリに対して解析解を発見できるか。
• RQ2 PDE の事例間で共有される数学的構造を活用して発見を加速し、一般化を改善できるか。
• RQ3 アファイン変換ベースの知識移転が、PDE タスク間で学習済み構造を効果的に転送し性能を向上させるか。
• RQ4 学習された解析解が、データ適合性を高めつつ PDE 残差、初期・境界条件と物理的一貫性を維持するか。

主な発見

• NMIPS フレームワークは、ベースラインより約 35.7% の精度向上を達成する。
• 統一された染色体エンコードにより、ファミリ内の複数の PDE タスクを、個別に解くことなく解くことが可能。
• 学習されたスケーリングとシフトパラメータによるアファイン転送は、PDE の事例間で共通構造を転送することで発見を加速する。
• 式中の定数は勾配法で最適化され、データ損失と物理損失を組み合わせて最小化する。
• NMIPS はノイズの多いデータ設定において、単一タスク手法より優れた一般化を示す。