深度分析
LGF 透過神經符號結合與離散流模型提升 ODE 符號回歸表現
科學研究常需從數據推導出具有解釋力的微分方程，但傳統黑盒模型缺乏透明度。本研究提出 Latent Grammar Flow (LGF) 框架，利用語法量化自動編碼器將方程結構嵌入離散潛在空間，並結合離散流模型與領域知識導向採樣。結果顯示 LGF 在處理顯式與隱式 ODE 時，能比傳統符號回歸方法更高效地發現精確且符合物理特性的數學表達式。
深度分析
科學研究常需從數據推導出具有解釋力的微分方程，但傳統黑盒模型缺乏透明度。本研究提出 Latent Grammar Flow (LGF) 框架，利用語法量化自動編碼器將方程結構嵌入離散潛在空間，並結合離散流模型與領域知識導向採樣。結果顯示 LGF 在處理顯式與隱式 ODE 時，能比傳統符號回歸方法更高效地發現精確且符合物理特性的數學表達式。
深度分析
科學上需從觀測資料推導微分方程，數值擬合 alone 無法保證物理合理。DoLQ 採三代理流程：Sampler 提出符號候選並解釋物理依據、Optimizer 擬合參數、Scientist Agent 用 LLM 做定性語意與定量誤差的綜合評估。實驗在多維 ODE 基準上顯示 DoLQ 更常回復正確符號結構並提升發現成功率。