一篇新研究论文介绍了一个用于识别数据驱动的偏微分方程（PDE）发现中因果相关项的框架。该方法称为反事实算子相关性，区分了仅仅减少残差误差的项和功能上必不可少的项。该方法使用反事实干预来评估算子必要性，并提供了理论保证以及在合成和真实世界地球物理数据上的验证实验。 AI
影响 为识别从数据中得出的复杂科学模型中的基本组件提供了一种更严谨的方法。
排序理由 该集群包含一篇发表在arXiv上的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2506.20181v2 Announce Type: replace Abstract: We study operator relevance in data-driven partial differential equation (PDE) discovery. Sparse residual methods can select terms that improve residual fit, but residual contribution is not the same as functional necessity. We …