Buchumschlag

Data-driven Progressive Discovery of Physical Laws

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xia, Mingkun, Zhang, Weiwei
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Hierarchical Dimensionless Learning (Hi-π): A physics-data hybrid-driven approach for discovering dimensionless parameter combinations
von: Xia, Mingkun, et al.
Veröffentlicht: (2025)

From Data to Laws: Neural Discovery of Conservation Laws Without False Positives
von: Ray, Rahul D
Veröffentlicht: (2026)

Robust Causal Discovery in Real-World Time Series with Power-Laws
von: Tusoni, Matteo, et al.
Veröffentlicht: (2025)

Scalable Sparse Regression for Model Discovery: The Fast Lane to Insight
von: Golden, Matthew
Veröffentlicht: (2024)

Data-driven Approach for Interpolation of Sparse Data
von: Ferguson, R. F., et al.
Veröffentlicht: (2025)

Probabilistic Emissivity Retrieval from Hyperspectral Data via Physics-Guided Variational Inference
von: Tempelman, Joshua R., et al.
Veröffentlicht: (2025)

From Occurrence to Consequence: A Comprehensive Data-driven Analysis of Building Fire Risk
von: Ma, Chenzhi, et al.
Veröffentlicht: (2025)

Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory
von: Kavrakov, Igor, et al.
Veröffentlicht: (2024)

Physics-informed Information Field Theory for Modeling Physical Systems with Uncertainty Quantification
von: Alberts, Alex, et al.
Veröffentlicht: (2023)

Data-Driven Extreme Response Estimation
von: Edwards, Samuel J., et al.
Veröffentlicht: (2025)

Data-driven topology design using a deep generative model
von: Yamasaki, Shintaro, et al.
Veröffentlicht: (2020)

Scientific Data Compression and Super-Resolution Sampling
von: Vu, Minh, et al.
Veröffentlicht: (2025)

Topological Learning in Multi-Class Data Sets
von: Griffin, Christopher, et al.
Veröffentlicht: (2023)

Active Learning of Molecular Data for Task-Specific Objectives
von: Ghosh, Kunal, et al.
Veröffentlicht: (2024)

Toward Model-Agnostic Detection of New Physics Using Data-Driven Signal Regions
von: Yi, Soheun, et al.
Veröffentlicht: (2024)

Active Learning with Fully Bayesian Neural Networks for Discontinuous and Nonstationary Data
von: Ziatdinov, Maxim
Veröffentlicht: (2024)

Data augmentation using diffusion models to enhance inverse Ising inference
von: Lim, Yechan, et al.
Veröffentlicht: (2025)

Variational Garrote for Statistical Physics-based Sparse and Robust Variable Selection
von: Soh, Hyungjoon, et al.
Veröffentlicht: (2025)

Simultaneous Dimensionality Reduction: A Data Efficient Approach for Multimodal Representations Learning
von: Abdelaleem, Eslam, et al.
Veröffentlicht: (2023)

Physics-informed neural operators for the in situ characterization of locally reacting sound absorbers
von: Schmid, Jonas M., et al.
Veröffentlicht: (2026)

Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification
von: Sharma, Himanshu, et al.
Veröffentlicht: (2024)

A Pipeline for Data-Driven Learning of Topological Features with Applications to Protein Stability Prediction
von: Mishra, Amish, et al.
Veröffentlicht: (2024)

A Unified Framework for Structured Flow Modeling: From Continuous Fields to Data-Driven Representations
von: Casadei, Diego
Veröffentlicht: (2026)

Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux
von: Cazzola, Michele, et al.
Veröffentlicht: (2026)

Temporal Graph Neural Networks for Early Anomaly Detection and Performance Prediction via PV System Monitoring Data
von: Mukherjee, Srijani, et al.
Veröffentlicht: (2025)

Comparative Analysis of Machine Learning-Based Imputation Techniques for Air Quality Datasets with High Missing Data Rates
von: Yan, Sen, et al.
Veröffentlicht: (2024)

Data-driven model reconstruction for nonlinear wave dynamics
von: Smolina, Ekaterina, et al.
Veröffentlicht: (2024)

Tunable correlation retention: A statistical method for generating synthetic data
von: Jävergård, Nicklas, et al.
Veröffentlicht: (2024)

Data organization limits the predictability of binary classification
von: Jing, Fei, et al.
Veröffentlicht: (2024)

Statistical limits of correlation detection in trees
von: Ganassali, Luca, et al.
Veröffentlicht: (2022)

Neural Thermodynamic Laws for Large Language Model Training
von: Liu, Ziming, et al.
Veröffentlicht: (2025)

A Neural Scaling Law from Lottery Ticket Ensembling
von: Liu, Ziming, et al.
Veröffentlicht: (2023)

Learning from the past: predicting critical transitions with machine learning trained on surrogates of historical data
von: Ma, Zhiqin, et al.
Veröffentlicht: (2024)

Exploring the Limitations of kNN Noisy Feature Detection and Recovery for Self-Driving Labs
von: Shi, Qiuyu, et al.
Veröffentlicht: (2025)

OASIS: A Deep Learning Framework for Universal Spectroscopic Analysis Driven by Novel Loss Functions
von: Young, Chris, et al.
Veröffentlicht: (2025)

Data Science Education in Undergraduate Physics: Lessons Learned from a Community of Practice
von: Shah, Karan, et al.
Veröffentlicht: (2024)

Process signature-driven high spatio-temporal resolution alignment of multimodal data
von: Hanchate, Abhishek, et al.
Veröffentlicht: (2024)

Data-driven model discovery with Kolmogorov-Arnold networks
von: Moradi, Mohammadamin, et al.
Veröffentlicht: (2024)

CausationEntropy: Pythonic Optimal Causation Entropy
von: Slote, Kevin, et al.
Veröffentlicht: (2026)

Neural posterior estimation for scalable and accurate inverse parameter inference in Li-ion batteries
von: Hassanaly, Malik, et al.
Veröffentlicht: (2026)