科学的機械学習の解釈可能性を向上させるため、観測データから直接支配方程式を発見することは重要な課題です。従来のデータ駆動型アプローチは単一のデータセットで機能することが多く、観測が限定的な場合には性能が制限されるという根本的な課題を抱えていました。しかし実際には、同じ物理系に対して複数のデータセットが利用可能なことが多く、これらは初期条件や境界条件の違いによってのみ区別されています。 本研究では、複数のデータソースから共有される偏微分方程式（PDE）を発見するために設計された競争的最適化フレームワーク「MCO-PDE」を提案しています。このフレームワークは、まず各データソースに対して独立したニューラルサロゲートモデルを訓練し、その後、ソフト競争的重み付けメカニズムを採用してデータセットの信頼性を動的に評価し、コンセンサスな全体係数を集約します。遺伝的アルゴリズムを用いた構造探索と統合されることで、支配法則の関数形とパラメータを同時に特定することができます。 実験結果として、7つのケースにおいて、各データセットごとにわずか50個の観測値を融合させるだけで、標準的な方程式を高精度で復元しています。本フレームワークは、不規則な境界と不均質な係数を特徴とする2次元および3次元領域を本質的に処理でき、実世界の波動タンク実験から物理的に意味のある法則を抽出することにも成功しています。全体として、本研究は異質なデータ融合を通じた自動化された科学的発見への有望な道を確立しています。