新上线今天0 投票
PyCC.id：一款融合结构可辨识性的假设驱动方程发现工具
近日，arXiv 上发布了一篇题为 “PyCC.id: A package for hypothesis-driven equation discovery with structural identifiability” 的论文，介绍了由 Federico J. Gonzalez 开发的 Python 库 PyCC。该工具旨在解决数据驱动方程发现中的一个核心挑战：从时间序列数据中推断系统的控制微分方程时，逆问题经常病态，导致多个模型拟合数据同样好，难以选择。
传统方法通过引入已知假设和约束来缩小搜索空间，但仍会产生多个候选模型，需要研究者依赖领域知识手动筛选。PyCC 基于一种假设驱动的方法，其核心思想是使用“特征曲线”（Characteristic Curves, CCs）作为结构骨架。研究者可以定义一个骨架，它关联一族常微分方程（ODE），然后基于领域知识添加假设和先验，迭代精化模型。这种方法的独特优势在于，某些骨架具有结构可辨识性，即能够判断骨架本身是否正确或应被舍弃，从而提升模型选择的可靠性。
PyCC 的模块化设计使其支持多种方程发现范式，包括神经网络、符号回归和稀疏回归，为研究人员和工程师提供了一个灵活的工具，用于从时间依赖数据中发现 ODE。该软件包已在 GitHub 上开源。
这一工作对于 AI 与科学计算交叉领域具有重要意义。方程发现是科学机器学习（Scientific Machine Learning）的关键任务之一，广泛应用于物理、生物、工程等领域。PyCC 通过结合结构可辨识性，有望减少人工干预，提高发现模型的可靠性和可解释性。未来，该工具可能加速从复杂系统数据中提炼出简洁、可验证的动力学方程。