pysrt
PulseAugur coverage of pysrt — every cluster mentioning pysrt across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
符号回归从引力波近似中子星半径
研究人员开发了一种符号回归方法 pySR，仅使用引力波测量来近似中子星半径。该方法旨在通过实现引力波数据与电磁观测之间的比较来增强多信使天文学研究。该方法在 TOV 解上进行了训练，并针对各种状态方程进行了测试，显示出与真实值一致的同意，并实现了几百米的平均半径差异。当应用于 GW170817 事件时，该近似产生了与先前推断的半径分布相当的半径分布。
-
新方法提取多输出回归的共享符号骨干
研究人员开发了一种新颖的神经进化符号回归方法，旨在处理耦合的多输出系统。该方法侧重于发现共享符号骨干，即一组可重用的潜在符号单元，然后通过稀疏读出将其适配到各个输出。该方法旨在强制执行和诊断跨输出一致性，特别是在物理参数共享且数据可识别性较弱时，提供一种结构化机制提取器，而非通用预测器。
-
研究发现吸引子几何限制了从数据中发现方程
一篇新的研究论文探讨了动力学系统中吸引子的几何性质及其对从数据中发现控制方程的能力的影响。该研究引入了一个度量标准 lambda_min(M)，该度量标准源自伯克霍夫遍历定理，它量化了吸引子覆盖函数空间的程度，并为方程发现设定了上限。研究表明，虽然混沌可以改善此度量标准，但它也会放大噪声，可能导致 SINDy 和 PySR 等不同发现算法的结果各不相同。研究结果表明，系统的固有动力学性质，而不仅仅是算法选择，从根本上限制了可以学到的内容。
-
DeepPySR框架增强了用于科学发现的符号回归
研究人员开发了DeepPySR，一个旨在克服从数据中发现解析方程挑战的新型符号回归框架。该框架通过引入动态变量剪枝、指数级帕累托选择标准和分层组合架构来解决高维输入和数据不规则性等问题。在物理学、生物医学和社会科学数据集的测试中，DeepPySR与现有方法相比表现出优越的性能，生成了与领域知识一致的可解释公式。