Verifier-gesteuerte Modellentdeckung für physikalische dynamische Systeme mit vortrainierten symbolischen Transformern

arXiv:2608.02662v1 Zuverlässige Vorhersagen nichtlinearer physikalischer Systeme sind grundlegend für wissenschaftliche Entdeckungen und technische Entscheidungsfindung. Hochauflösende Simulationen sind jedoch prohibitiv teuer, und Machine-Learning-Ersatzmodelle können undurchsichtig sein und Annahmen über das System kodieren.