データ駆動型の方程式発見は、時系列測定から直接システムを支配する微分方程式を推測する逆問題です。この分野における既知の課題は、逆問題の不良設定性質にあります。データにほぼ同等の適合度を示す複数の数学モデルが頻繁に生成されるため、実務者は事後的に自身の領域知識に基づいて候補モデルを手動でフィルタリングする必要があります。 この問題に対処するための最近のアプローチは、特性曲線（CC）に着想を得た構造的「スケルトン」を組み込むもので、仮説駆動型の方法論を定義しています。この方法論では、実務者はスケルトンを定義し、これは常微分方程式（ODE）の族に関連付けられます。その後、領域知識に基づいて仮説と事前情報を追加し、得られたモデルを反復的に改善します。このアプローチの重要な利点は、一部のスケルトンが構造的識別可能性特性を実証可能であることです。これにより、スケルトンが正しいか破棄すべきかを検証するのに役立ちます。 さらに、このフォーマリズムはニューラルネットワーク、シンボリック回帰、疎回帰など複数の方程式発見パラダイムの使用を可能にします。本研究では、これらの取り組みをPythonライブラリPyCC.idに集約し、研究者やエンジニアが時間依存データからODEを発見するために、スケルトンと仮説をシームレスに定義できる柔軟なツールを提供します。このライブラリは、複雑な物理現象や生物学的現象などの逆問題解析を大幅に簡素化し、より堅牢で解釈可能なモデル発見を実現します。