Symbolic-Numeric Integration of Rational Functions
Ontario Research Center for Computer Algebra, University of Western Ontario(西安大略大学安大略计算机代数研究中心);Huawei Technologies Corporation(华为技术有限公司)
本文研究了有理函数的符号-数值积分问题,提出两种方法结合赫尔米特约简和精确积分与高效数值根计算来计算积分的有理部分和超越部分,通过BPAS和MPSolve实现稳定且高效的计算。
2018-10-25 cs.NA cs.SC math.NA
Transformers to Predict the Applicability of Symbolic Integration Routines
Coventry University(考文垂大学);Maplesoft(Maplesoft公司)
针对计算机代数系统中符号积分方法选择的优化问题,本文训练transformer预测积分方法的适用性,其性能优于现有人工启发式规则,准确率最高提升30%、精确率最高提升70%,且推理时间可忽略,还可通过层集成梯度方法解释决策以支撑后续优化。
2024-10-31 cs.LG cs.SC
Symbolic Multibody Methods for Real-Time Simulation of Railway Vehicles
Public University of Navarre(纳瓦拉公立大学)
在这项工作中,最近开发的国家的最先进的符号多体方法进行测试,以准确地模拟一个复杂的铁路车辆。该模型是使用虚拟功率原理的符号实现生成的。蠕变力建模使用标准线性Kalker模型的直接符号实现。没有简化,如基础参数减少,部分线性化或查找表接触运动学,使用。提出了一种隐式-显式积分格式,有效地处理刚性蠕变动力学问题。实现了硬实时的【形】性能:非常稳定的1 ms积分时间步长所需的CPU时间为256 μs。
2017-06-06 cs.RO cs.SC
Symbolic Integration Algorithm Selection with Machine Learning: LSTMs vs Tree LSTMs
Coventry University(考文垂大学);Maplesoft(Maplesoft公司)
本研究探讨利用机器学习指导计算机代数系统中的符号积分子算法选择,比较了LSTM与TreeLSTM模型,发现编码树结构的TreeLSTM表现更优且超越Maple现有元算法。
2024-04-23 cs.LG cs.MS cs.SC
Symbolic integration of hyperexponential 1-forms
令$H$是一个超指数函数,在$n$变量$x=(x_1,\dots,x_n)$中,系数在一个域$\mathbb{K}$,$[\mathbb{K}:\mathbb{Q}] <\infty$中,$ω$是一个有理微分$1$形式。假设$Hω$是闭的,并且$H$是超越的。利用Schanuel猜想证明了存在一元函数$f$和多元有理函数$F,R$使得$\int Hω= f(F(x))+H(x)R(x)$ .我们提出了一个算法来计算这种分解。这使我们能够提出一个算法来构建一个基础的上同调的差分$1$ -形式的系数在$H\mathbb{K}[x,1/(SD)]$为一个给定的$H$,$D$是分母的$dH/H$和$S\in\mathbb{K}[x]$一个平方自由多项式。作为应用,我们推广了Singer关于平面微分方程的一个结果:只要它允许Liouvillian第一积分$I$但没有Darbouxian第一积分,我们的算法就给出了一个有理变量变化线性化系统。
2019-01-25 cs.SC math.DG
Walsh functions, scrambled $(0,m,s)$-nets, and negative covariance: applying symbolic computation to quasi-Monte Carlo integration
我们研究了基$b$ Walsh函数,其中基于基$b$中的加扰$(0,m,s)$ -网的积分估计的方差小于或等于基于相同点数的蒙特卡罗估计的方差。首先计算从加扰的$(t,m,s)$ -网中随机选取的两个不同点的联合概率密度函数在基$b$中的Walsh分解,并在$t$为零的特殊情况下进行简化。利用这一点,我们得到的积分估计的函数的沃尔什系数的协方差的表达式。最后,我们证明了当函数的Walsh系数满足一定的衰减条件时,积分估计的协方差是负的。为了做到这一点,我们使用创造性的伸缩和递归求解算法从符号计算找到一个符号等价的封闭形式的表达的协方差项。
2020-06-11 cs.NA cs.SC math.NA
Tree-Based Deep Learning for Ranking Symbolic Integration Algorithms
Coventry University(科文特大学)
针对符号不定积分算法选择效率低的问题,提出基于树的深度学习两阶段架构,先识别适用方法再按输出复杂度排序,在保留测试集上达近90%准确率并优于Maple内置选择器。
2025-08-08 cs.LG cs.SC
Deep Learning for Symbolic Mathematics
Facebook AI Research(脸书人工智能研究院)
神经网络在解决统计或近似问题方面比在执行计算或处理符号数据方面更好。在本文中,我们表明,他们可以令人惊讶地擅长更详细的数学任务,如符号积分和解微分方程。我们提出了一个语法表示的数学问题,和方法生成大型数据集,可用于训练序列到序列模型。我们取得的结果优于商业计算机代数系统,如矩阵或数学软件。
2019-12-02 cs.LG cs.SC
Knowledge Integration for Physics-informed Symbolic Regression Using Pre-trained Large Language Models
Department of Computing Jonkoping University(乔恩考普大学计算机系);Department of Information Science University of Haifa(海法大学信息科学系)
针对物理启发符号回归依赖人工特征工程、适配性有限的问题,提出将预训练大语言模型融入符号回归损失函数的方法,经多算法多模型多物理场景验证,可提升方程重建效果与抗噪鲁棒性,且提示工程可进一步优化性能。
2025-09-03 cs.AI cs.IR cs.LG
ASyMOB: Algebraic Symbolic Mathematical Operations Benchmark
MIT(麻省理工学院);Technion - Israel Institute of Technology(技术学院-以色列理工学院)
提出ASyMOB基准,包含35,368个符号数学问题,通过扰动测试揭示大模型在符号数学推理中的鲁棒性不足,并发现LLM与CAS的互补潜力。
2026-06-18 cs.AI cs.CL cs.SC
A Neuro-Symbolic Method for Solving Differential and Functional Equations
University of Waterloo(滑铁卢大学)
当神经网络用于求解微分方程时,它们通常以黑盒函数的形式产生解,这些解在数学上不能直接解释。我们介绍了一种生成符号表达式来求解微分方程的方法,同时利用深度学习训练方法。与现有的方法不同,我们的系统不需要学习符号数学的语言模型,使其可扩展,紧凑,易于适应各种任务和配置。作为该方法的一部分,我们提出了一种新的神经结构,用于学习数学表达式,以优化可定制的目标。该系统的目的是总是返回一个有效的符号公式,生成一个有用的近似时,一个精确的解析解微分方程是不是或不能找到。我们通过例子演示了我们的方法可以应用于一些微分方程,往往获得符号近似是有用的或有见地的。此外,我们展示了如何可以毫不费力地推广到其他数学任务,包括积分和函数方程的符号解决方案的系统。
2020-11-04 cs.AI cs.LG cs.SC
Recent Symbolic Summation Methods to Solve Coupled Systems of Differential and Difference Equations
本文提出了一种求解单连续变量耦合微分方程组的新算法$x$(分别为:一个离散变量的耦合差分方程$N$)依赖于一个小参数$ε$:给定这样一个系统和给定足够多的初始值,如果它们可以用不定套和与积表示,我们就可以确定$ε$中Laurent级数解的第一系数。这种系统的方法是基于符号求和算法的上下文中的差环/字段和解耦算法。所提出的方法产生了新的有趣的应用程序与集成的部分(IBP)的方法。作为一个说明性的例子,我们将演示如何计算具有6条大质量费米子线的梯形图的$ε$展开。
2014-07-09 cs.SC hep-ph math-ph
Neuro-Symbolic Frameworks: Conceptual Characterization and Empirical Comparative Analysis
本文刻画神经符号框架的技术方面,展示三个通用框架并识别挑战,以激发社区重新思考该问题。
2025-09-08 cs.AI cs.CL cs.SC
Generalization of Risch's Algorithm to Special Functions
符号积分处理封闭形式的积分的计算。我们提出了一个概述Risch的算法,包括最近的发展。所讨论的算法既适用于不定积分,也适用于定积分。它们也可以用来计算积分之间的线性关系,并找到由参数积分给出的特殊函数的恒等式。本演示文稿的目的是双重的:向读者介绍微分代数的一些基本思想的背景下,整合和提高认识的物理社会的计算机代数算法的不定和明确的整合。
2013-05-07 cs.SC math-ph math.MP