非線形物理システムの予測は科学的発見と工学的意思決定の基盤となりますが、高精度なシミュレーションは計算コストが膨大であり、機械学習の代理モデルは不透明で系の動力学に関する仮定を内包しているため、汎化性が限定されるという課題があります。本研究は、合成ODE軌跡を方程式にマッピングする事前学習済み変換器「ODEFormer」を用いて、解釈可能かつ転移学習が可能な代替手段を提案しています。 研究チームは検証器ガイド型（VG）ワークフローを開発し、動力学的および物理的妥当性の基準を用いて複数の軌跡候補方程式プールから最適な方程式を選択することで、高次元物理データへの信頼性の高い転移学習を実現しました。標準的なファン・デル・ポル振動子を用いたテストでは、提案手法は元のODEFormerワークフローを上回る性能を示しました。 さらに大気およびプラズマシステムで発生する渦放出現象を対象とした実験では、座標削減と記号発見を固定・変動レイノルズ数条件下で実施しました。VGは渦固有の候補ライブラリやナビエ・ストークス方程式の既知構造がないにもかかわらず、基本的な放出振動子とその高調波成分を回復する固定パラメータの低次元方程式を発見し、クロスパラメータモデルは未学習領域への汎化にも成功しています。 本研究は、再構成忠実度だけでは記号発見性を決定されず、潜在力学と骨格モデルの事前学習分布間の適合性の重要性を示唆しています。これは自然科学における解釈可能で物理的に検証可能な予測のための、ニューラルネットワークから記号へのアプローチを確立する重要な成果です。