arXiv雑要約
AI - 2026/05/08 公開
CIGaRS I: タイプIa超新星とホスト星系の光度測定からの複合シミュレーションベース推論 [astro-ph.CO, astro-ph.GA, astro-ph.IM, cs.LG]目的：タイプIa超新星を用いた宇宙論的探査における経験的補正と，そのホスト環境との相関性の推論
- 宇宙論研究において，タイプIa超新星は標準光源として重要な役割を果たす。
- タイプIa超新星の明るさにはホスト星系の環境依存性があり，正確な距離測定の妨げとなる。
- ホスト星系の光度測定のみから，超新星の環境依存性を統計的に解明することを試みる。
- 本研究では，ベイジアン階層モデルを用いて，超新星のプロジェニター特性，遅延時間分布，宇宙論パラメータを同時に推論する。
- シミュレーションにより，金属量と年齢の依存性が異なる観測的特徴を示すことが示された。
- このアプローチにより，光度測光データのみで高精度な赤方偏移推定が可能となり，宇宙論的制約が向上する。
コンパクトな状態空間上のニューラル確率微分方程式：理論，手法，および自殺リスクモデリングへの応用 [stat.ML, cs.LG]目的：自殺念慮および行動に関する生態学的瞬間評価データのモデリング
- 精神疾患の予測や介入において，時間変化するリスク評価が不可欠である。
- 既存の確率微分方程式モデルは，領域制約を満たせず，数値的に不安定になりやすい。
- 状態空間を制限することで，モデルの妥当性と信頼性を向上させる。
- 提案手法は，コンパクトな多面体状態空間に確率微分方程式の解を限定する。
- 実データを用いた評価の結果，既存手法と比較して予測精度と最適化の安定性が向上した。
- 本研究は，自殺リスクなどの臨床時系列モデリングにおける信頼性の高い連続時間モデルへの道を開く。
ニューラル演算子と古典的手法の融合に対する貪欲型偏微分方程式ソルバー [math.CO, cs.DM, stat.ME, cs.LG, stat.ML]目的：偏微分方程式ソルバーの融合における最適解探索
- 偏微分方程式の解法は科学技術計算の根幹であり，精度と効率が重要である。
- 古典的手法は計算コストが高く，機械学習は高周波成分の捕捉が困難な場合がある。
- 貪欲法によるソルバー選択の近似的な実現方法を提案し，効率的な解法を確立する。
- 提案手法は，ポアソン方程式や対流拡散方程式において，既存手法よりも少ない反復回数で同等の精度を達成する。
- 誤差の軌跡のAUCが低減され，より安定した誤差減衰を示す。
- 真の誤差が不明な状況下でも，貪欲法の利点を活かせる近似的なソルバー選択を実現した。
安定性の限界以下の汎化：データ幾何学の役割 [stat.ML, cs.LG]目的：過パラメータ化されたニューラルネットワークにおける汎化のメカニズム
- 深層学習の理論的理解は，モデルの汎化性能向上に不可欠である。
- 過パラメータ化されたモデルの汎化性能は，データ分布に大きく依存する。
- データ幾何学が汎化性能に与える影響を理論的に解明すること。
- 低次元球の混合分布においては，固有次元への適応性を示す汎化限界を導出した。
- 確率質量が単位球に集中する度合いに応じて，汎化レートが変化することを示した。
- ReLUニューロンの閾値に対するデータの破壊しやすさが，汎化性能を決定する原理を明らかにした。
Transformerの最適な文脈適応性と分布頑健性 [stat.ML, cs.LG, math.ST, stat.TH]目的：Transformerの文脈内学習における性能評価
- Transformerは自然言語処理において重要な役割を果たしており，その性能向上は様々な応用分野に繋がる。
- 事前学習とテスト時の分布のずれは，Transformerの性能劣化の主要な原因となる。
- 分布のずれに対するTransformerの頑健性と，最適な学習率の達成を目指す。
- 事前学習済みのTransformerは，様々な難易度のタスクに対して最適な収束速度を達成できる。
- テスト時の分布のずれに対して頑健であり，より容易なタスクではより高速な収束が可能となる。
- テスト分布へのアクセスがあったとしても，提案手法以上の収束速度を達成することは困難である。
データ分析のための進化シミュレーションによる特徴重み付け [math.OC, cs.SY, eess.SY, q-fin.RM, math.OC, cs.LG]目的：データ分析における離散多目的問題に対するスカラー化前の重み付け
- データ分析は，複雑なデータから有用な知見を得る上で不可欠である。
- 多目的問題では，複数の目的を同時に最適化する必要があり，適切な重み付けが課題となる。
- 特徴量の重要度を反映した重み付けにより，より効率的な多目的問題解決を目指す。
- 提案アルゴリズムは，標準的単体上で複製型動力学を用いて重みを進化させる。
- その結果，重み付き系列は一意な内部平衡点にグローバルに収束することが証明された。
- この平衡点は，非退化な限界重みを与える。
生成AIが6Gと未来を拓く：意味的通信のための拡散モデル [eess.SP, cs.IT, cs.LG, cs.MM, math.IT]目的：意味的通信における拡散モデルの応用可能性
- 無線通信は理論上の限界に近づいており，これまでのビット単位の伝送方法では限界がある。
- 拡散モデルと通信システム設計を結びつける体系的な指針がなく，研究者は異なる分野の文献を精査する必要がある。
- 拡散モデルを次世代無線ネットワークの基盤技術として確立することを目指す。
- 拡散モデルは，優れた生成品質，安定した学習，厳密な理論的根拠を持つことから，生成意味的通信において注目されている。
- 本研究では，条件付き拡散，効率的な拡散，汎用化拡散という３つの技術的柱を体系的にレビューした。
- 拡散モデルを用いることで，意味的な忠実性とロバスト性を維持しながら，極端な圧縮が可能になることが示された。
量子ニューラルネットワークによるフラグメンテーションの効率的な学習 [quant-ph, cs.LG]目的：フラグメンテーション分類問題の効率的な解決
- 量子系の状態空間は指数関数的に巨大であり，その理解が重要である。
- 状態空間が断片化した場合，どの断片に属するかを特定することが課題となる。
- 量子コンピュータでの効率的な学習可能性と古典計算の困難性を示す。
- 特定の条件下で，フラグメンテーション分類問題は量子コンピュータで効率的に解ける。
- 既存の古典化手法は，この問題に対しては適用できないことが示唆された。
- 量子コンピュータの利点を活かせる物理的に動機づけられた機械学習タスクの例となる。
ビーム探索によるLLMの一貫性に基づく不確実性の改善 [stat.ML, cs.CL, cs.LG]目的：LLMにおける一貫性に基づく不確実性評価の性能向上
- 大規模言語モデルの信頼性確保は重要であり，不確実性評価はその鍵となる。
- 多項分布サンプリングは重複が多く，不確実性推定のばらつきが大きい。
- ビーム探索を用いることで，より安定した不確実性評価を実現する。
- ビーム探索は，多項分布サンプリングと比較して，一貫性に基づく不確実性評価の性能を向上させる。
- ビーム探索は，多項分布サンプリングよりも分散が小さく，より安定した結果が得られる。
- ビーム探索が多項分布サンプリングよりも誤差が小さくなるための理論的下限を提示した。
AIキャップ・アンド・トレード：アクセシビリティと持続可能性のための効率インセンティブ [econ.GN, cs.AI, cs.CY, cs.GT, q-fin.EC]目的：AI効率化のための市場メカニズムの提案
- AI技術の発展は社会に大きな変革をもたらす一方，資源消費と環境負荷が課題となっている。
- AI開発競争において，規模拡大が優先され，効率性が軽視される傾向がある。
- AI効率化を促進し，環境負荷を低減するとともに，研究機関や中小企業の参入を促す。
- 本研究では，AIの効率性をインセンティブ化するキャップ・アンド・トレード制度を提案する。
- 提案制度は，AIの展開に必要な計算量を削減し，排出量を抑制し，効率性を金銭化することで，研究機関や中小企業に利益をもたらす。
- 効率的なAI運用が環境負荷低減に繋がり，同時にAI技術の民主化に貢献することが期待される。
離散データの幾何学的潜在サブ空間による生成モデリング [stat.ML, cs.LG]目的：離散データの生成モデリング
- 近年，深層学習モデルを用いた離散データの生成が注目されている。
- 既存手法では，高次元離散データの複雑な依存関係を捉えるのが困難である。
- 潜在空間の幾何学的構造を利用し，効率的な生成モデリングを実現する。
- 本研究では，カテゴリ分布の積多様体の指数パラメータ空間に潜在サブ空間を導入する新しい枠組みを提案した。
- 提案手法では，幾何学的な次元削減目的関数（GPCA）を設計し，データと再構成間のRiemann距離を最小化する。
- 実験結果から，低次元の潜在表現で高次元離散データを正確にモデル化できることが示された。
異種データに対する原理に基づいた連合学習ランダムフォレスト [stat.ML, cs.LG]目的：異種データ環境下における連合学習ランダムフォレストのアルゴリズム
- データ分析において予測モデルの重要性は高く，特に表形式データの解析にはランダムフォレストが広く用いられる。
- 連合学習におけるランダムフォレストの最適化は，勾配ベースの手法が適用困難であり，既存手法は経験的なヒューリスティックに頼っている。
- クライアントデータの多様性を考慮し，グローバルな不純度基準を最適化する連合学習ランダムフォレストアルゴリズムを開発する。
- 提案手法FedForestは，クライアント統計量の集約に基づき，中央集権型アルゴリズムによる分割を近似する。
- FedForestはクライアント指標に基づいた分割を可能にし，既存の連合学習ランダムフォレストにはない非パラメトリックな個別化を実現する。
- ベンチマーク実験により，提案手法は異種データ下で中央集権型モデルの性能に匹敵し，通信効率も高いことが示された。
HyQuRP：回転および置換不変性を備えたハイブリッド量子古典ニューラルネットワーク [quant-ph, cs.LG]目的：回転および置換不変性を備えたハイブリッド量子古典ニューラルネットワークの構築
- 量子機械学習は，対称性を組み込むことで有望なパラダイムとなりつつある。
- 回転および置換対称性両方に対して，原理的に不変なモデルを構築することが課題となっている。
- 回転と置換に対する二重不変性を持つゲートの一般的なフレームワークを開発し，その性能を検証すること。
- HyQuRPは，3D点群分類ベンチマークにおいて，古典および量子ベースラインを上回る性能を示した。
- 6つのサブサンプリング点を用いた場合，HyQuRPはModelNetベンチマーク（5クラス）で76.13％の精度を達成した。
- これは，Tensor Field Network，PointNet，PointMambaよりも高い結果であり，HyQuRPのデータ効率の高さを示唆している。
フローに基づく適合予測分布 [stat.ML, cs.LG, stat.ME]目的：適合予測分布の生成
- 不確実性評価は，機械学習モデルの信頼性確保に不可欠である。
- 高次元データや構造化された出力空間では，適合予測集合の表現と利用が困難である。
- 高次元空間における適合予測集合の効率的なサンプリング手法を確立すること。
- 十分な正則性を持つ微分不適合度スコアは，出力空間上の確定的なフローを誘導し，その軌跡は適合予測集合の境界に収束する。
- これにより，任意の次元における適合予測境界の効率的なサンプリングが可能となる。
- 信頼水準を混合することで，適合予測集合と一致する分位領域を持つ適合予測分布が得られる。
フローマッチングは逐次データの単なる軌道再生であるか [stat.ML, cs.LG, nlin.CD]目的：逐次データにおけるフローマッチングの学習内容の解明
- 時系列データ生成や予測において，基盤となる力学系を理解することが重要である。
- フローマッチングが力学構造を学習するのか，単なる軌道再生に過ぎないのか不明確である。
- フローマッチングの学習内容を理論的に解明し，よりロバストな生成手法を提案すること。
- フローマッチングの目的関数から導出される速度場は，記憶を増強した連続時間力学系と解釈できる。
- 最適な速度場は，観測された遷移によって誘導される瞬時速度の類似性加重混合として閉形式で表現される。
- この解析から，FreeFMという閉形式のサンプラーが，訓練なしで非線形力学系ベンチマークに対する高い予測性能を示すことがわかった。
量子アニーリング計算駆動型生成AIモデルの新規拡張目的関数による訓練データを超えた分子設計 [q-bio.QM, cs.AI, cs.LG, quant-ph]目的：創薬・開発を加速するための，確率的分子設計を行う深層生成モデリング
- 創薬プロセスは時間とコストがかかるため，効率的な分子設計手法が求められている。
- 既存の分子生成モデルは，医薬品らしさを示す化合物の出現頻度が低いという課題がある。
- 量子アニーリングと新規ニューラルネットワーク構造を統合し，医薬品らしさを向上させる。
- 量子アニーリングを用いた生成モデルは，従来の古典モデルよりも高い有効性と医薬品らしさを示した。
- 生成された化合物は，医薬品らしさの特性において，訓練データよりも優れた結果となった。
- 量子アニーリングは，創薬における特徴空間のサンプリングと特徴抽出において優位性を持つ。
グロキングにおける学習理論を通じた盆地選択の視点 [stat.ML, cs.LG]目的：グロキング現象における盆地の選択メカニズムの解明
- 深層学習の汎化性能理解は，AIの信頼性向上に不可欠である。
- 従来の学習理論では，グロキングのような急激な汎化現象の説明が困難である。
- 特異学習理論を用いて，グロキングの背後にある学習盆地の構造を明らかにする。
- 特異学習理論の指標である局所学習係数（LLC）が，学習盆地の統計的優先度を決定することが示された。
- グロキングは，LLCの高い（記憶）盆地から，LLCの低い（汎化）盆地への遷移として捉えられる。
- 浅い二次ネットワークにおいて，LLCの解析的公式を導出し，学習データから推定されたLLCの軌跡が汎化の開始と相関することを確認した。
スパースな接続性は汎化性能を向上させるか？安定性の限界以下の畳み込みネットワーク [stat.ML, cs.LG]目的：過パラメータ化されたニューラルネットワークにおけるスパースな接続性の汎化性能への影響の解明
- 深層学習モデルの汎化性能は重要な課題であり，過学習を防ぐための理論的理解が求められている。
- 高次元データにおいて，従来の全結合ネットワークでは汎化性能の理論的な保証が困難であるという問題がある。
- スパースな接続性によって，この問題を克服し，より現実的な設定下での汎化性能を保証することを目指す。
- スパースな接続性は，ネットワークが入力全体の代わりに低次元パッチの集合を処理するため，安定性の条件がパッチ集合の幾何学的な構造によって制御される。
- 受容野が周囲の次元に比べて小さい場合，この条件により，全結合ネットワークが失敗するスフェリカルな領域において，意味のある汎化性能の限界が得られる。
- 自然画像のパッチ幾何学を分析した結果，標準的な畳み込み設計が汎化を促進する低次元構造を持つパッチマルチセットを生成することが示された。
ウェアラブル足部センサーデータにおける異常検知：糖尿病性足部潰瘍予防に向けた基礎的実現可能性研究 [q-bio.OT, cs.AI, cs.LG]目的：ウェアラブル足部センサーデータの異常検知フレームワークの実現可能性
- 糖尿病性足部潰瘍は重篤な合併症であり，医療費増大の原因となるため，早期発見が重要である。
- 健康な足部の生体力学特性の基盤モデルが確立されていないため，異常検知の精度向上が課題である。
- 足部の温度と圧力の異常検知により，糖尿病性足部潰瘍の予防に貢献できる可能性を示す。
- Isolation Forestは微細な異常に対して高い感度を示し，KNN/LOFは極端な逸脱を検出しやすいことが示された。
- 両アルゴリズムの結果の比較から，汚染率の仮定における特異度の差が示唆された。
- 圧力と温度の特徴量間に軽度の正の相関が認められ，マルチモーダルモニタリングの有用性が支持された。
量子主成分分析のためのフィルタリングされたスペクトル射影 [stat.ML, cond-mat.mtrl-sci, cs.LG]目的：量子主成分分析における主要なスペクトル部分空間への射影
- 量子計算は，古典計算では困難な問題を解決する可能性を秘めており，注目を集めている。
- 既存の量子主成分分析は，固有値と固有ベクトルの計算に依存し，計算コストが高い場合がある。
- この研究は，固有値の推定を回避し，効率的に主要なスペクトル部分空間に射影するアルゴリズムを提案する。
- 提案手法であるFSPAは，理論上最適な複雑度を持ち，小ギャップや縮退したスペクトルに対しても頑健である。
- FSPAは，密度行列の指数関数的アクセスモデルにおいて，古典手法と比較して指数関数的なコピー複雑性の利点を提供する。
- 化学，ノイズのある回路出力，データセットを用いた数値実験により，FSPAの有効性が確認された。
選択後の分布モデル評価 [stat.ML, cs.IT, cs.LG, math.IT]目的：モデル評価における分布の信頼性確保
- モデルの性能評価は，様々な応用分野において不可欠であり，その信頼性は重要である。
- 事前評価でモデルを選択すると，評価データに対する過剰適合が生じ，性能評価に偏りが生じる可能性がある。
- 選択後のバイアスを制御し，信頼性の高い性能と信頼性のトレードオフ分析を可能にすること。
- 本研究で提案するPS-DMEは，データ依存的なモデル選択後においても，統計的に妥当な分布モデル評価を可能にする。
- PS-DMEは，偽カバー率を制御し，サンプル分割ベースラインよりもサンプル効率が良いことを理論的に証明した。
- 合成データ，テキストSQL変換，通信ネットワーク評価の実験で，PS-DMEの有効性が示された。
MAT-Cell：バッチレベルシングルセル注釈のためのマルチエージェント木構造推論フレームワーク [q-bio.QM, cs.AI]目的：バッチレベルシングルセル注釈のための推論フレームワーク
- シングルセル解析は，細胞の多様性や機能を理解する上で不可欠であり，生命科学研究の進展に寄与する。
- 既存の注釈手法では，特徴的な遺伝子の特定や参照アトラスへの依存性が課題となっていた。
- LLMを活用し，根拠に基づいた推論を行うことで，より正確かつ説明可能なシングルセル注釈を実現すること。
- MAT-Cellは，LLMの力を借りて，組織コンテキスト，遺伝子発現，生物学的知識を統合し，候補となる細胞タイプを推論する。
- 複数のエージェントによる議論と検証を通じて，推論の妥当性を評価し，最終的な注釈を決定する。
- 実験結果から，MAT-Cellは既存手法と比較して高い精度を示し，コスト削減にも貢献することが示された。
AIエージェントによる情報集約 [econ.GN, cs.AI, cs.GT, q-fin.EC]目的：分散した個別情報の集約度
- 社会の複雑化に伴い，効率的な情報集約の重要性が増している。
- 既存の情報集約メカニズムは，情報の非対称性や複雑な状況下で限界がある。
- AIエージェントが情報集約をいかに実現できるか検証する。
- AIエージェントは，単純な情報構造においては情報を有効に集約できることが示された。
- しかし，複雑な構造になると集約能力が低下し，人間の認知的な限界と同様の問題が確認された。
- 安価なコミュニケーションや市場の条件変更は，情報集約に影響を与えず，予測市場の堅牢性を示した。
制約付き線形二次レギュレータの安全な学習に基づく制御におけるレート最適後悔 [math.OC, cs.LG]目的：制約付き線形二次レギュレータの適応制御
- ロボット工学や自動運転などの分野で，安全性を保証しつつ最適な制御を行うことが重要である。
- 従来の制約付きLQRの適応制御は，後悔のレートが$\tilde{O}(T^{2/3})$に留まっており，改善の余地があった。
- 確率的制約を用いた手法により，$\tilde{O}(\sqrt{T})$の後悔レートと安全性の保証を目指す。
- 提案手法では，SDPを用いて楽観的なポリシーを選択し，安全性を検証しながらポリシーを調整することで，$\tilde{O}(\sqrt{T})$の後悔を達成した。
- システム共分散をポリシーに基づいて評価する手法を用いることで，理論的な後悔と制約の保証を確立した。
- これは，適応LQRで一般的なコスト・ツー・ゴーに基づく分析とは異なるアプローチである。
因果推論のための新しい計算フレームワーク：ILPベースのマッチングによる木構造離散化 [math.CO, cs.DM, math.PR, stat.ML, cs.LG]目的：因果推論のための計算フレームワーク
- データ駆動型意思決定において，因果関係の特定は重要である。観察データから因果関係を明らかにする。
- 交絡の可能性や相関と因果の区別により，因果関係の特定は依然として困難である。
- 解釈性と計算効率のトレードオフを解消し，より正確な因果推論を実現する。
- 提案手法は，木構造離散化と整数線形計画ベースのマッチングを組み合わせることで，計算効率とバイアスの低減を両立した。
- 離散化により層内の制御データセットがおおよそ線形になるため，効果的なマッチングが可能となる。
- 実験的評価により，提案手法が既存手法と比較して実用的な優位性を示すことが示された。
RETO：自動車空気力学の高精度予測のためのロータリーエンハンスドTransformer演算子 [eess.IV, cs.LG]目的：自動車空気力学の予測における高精度化
- 自動車設計において，迅速な空気力学的評価は不可欠であり，性能向上に直結する。
- 既存のニューラル演算子は，複雑な空間相関を捉えるのが難しく，精度の課題がある。
- 複雑な空間相関を捉え，より高精度な空気力学予測を実現することを目指す。
- RETOは，ShapeNetにおいて相対$L_2$誤差0.063を達成し，RegDGCNNやTransolverを上回る性能を示した。
- DrivAerMLデータセットでは，RETOは表面圧力と速度の誤差において，Transolverよりそれぞれ23％と19％の精度向上を達成した。
- エントロピー解析の結果，RETOはTransolverよりも低いエントロピーピークを示し，局所的な勾配を維持する能力が高いことが示された。
PRCD-MAP：因果探索における不完全な事前知識に対する信頼度の学習 [math.OC, cs.SY, eess.SY, stat.ML, cs.LG, stat.ME]目的：因果探索における事前知識の信頼度をエッジごとに学習し，それを用いて因果構造の推定精度を向上させること。
- 因果探索は，データから因果関係を明らかにする重要な課題であり，科学的発見や意思決定に不可欠である。
- 現実の事前知識は信頼度が不均一であるにもかかわらず，既存手法は事前知識を無視するか，一律の信頼度を課す傾向がある。
- 不完全な事前知識を適切に活用し，信頼度に応じて柔軟に扱うことで，よりロバストな因果探索を実現することを目指す。
- PRCD-MAPは，エッジごとの信頼度を学習し，事前知識を考慮した正則化を行うことで，因果探索の精度を向上させる。
- 実データを用いた実験により，PRCD-MAPはLLMによる事前知識を活用し，既存手法と比較して優れた性能を示すことが確認された。
- PRCD-MAPは，事前知識の信頼度に応じて柔軟に調整され，信頼度の低い事前知識の影響を抑制することで，ロバスト性を実現する。
動的ヴァイン・コプラ：時間変化する高次相互作用の検出と定量化 [stat.ML, cs.LG, q-bio.QM, stat.ME]目的：時間変化する高次相互作用の検出と定量
- 多変量データ解析において，データの依存構造を把握することは重要である。
- 従来の相関やガウスGraphicalモデルでは，高次の依存関係を捉えきれない場合がある。
- ヴァイン・コプラを用いて，時間変化するデータの高次依存関係を診断することを目的とする。
- 動的ヴァイン・コプラ（DVC）は，時間を通じて変化する非ガウス分布の依存関係を推定・診断する。
- DVCは，固定されたヴァイン構造を用いることで，比較可能性を確保し，時間的な変化を捉える。
- 神経科学データ解析において，DVCは領域間の同時依存性を示す信号を検出し，その有意性を示した。
山火事抑制の最適化に向けた予測・処方型AI [math.OC, cs.AI, cs.LG]目的：山火事抑制のための隊員配置と抑制戦略の同時最適化
- 近年，激化する山火事により，限られた資源の効率的な配分が重要課題となっている。
- 従来の山火事抑制戦略は，複雑な状況変化に迅速に対応できず，被害拡大を招く可能性がある。
- 本研究は，AIを活用し，リアルタイムな状況変化に対応した最適化手法を提案する。
- 本研究で開発された最適化アルゴリズムは，大規模な実データにも適用可能であることが示された。
- 提案手法は，山火事の延焼面積を大幅に削減し，抑制効果の向上に貢献する可能性が確認された。
- 異なる管轄区域間の資源共有を促進し，より効果的な山火事対策を支援する。
Strichartz不等式の極値関数のニューラルネットワークによる発見 [math.AP, cs.LG, cs.NA, math.NA]目的：Strichartz不等式の極値関数の探索
- 分散型偏微分方程式の理論において，Strichartz不等式は基礎的な役割を担う。
- 対応する関数空間の非凸性から，極値関数の探索は困難である。
- 既存の数値的手法による系統的なアプローチは試みられていない問題を解決する。
- Schrödinger群において，FoschiとHundertmark--Zharnitskyのガウス型極値関数を，事前知識なしで10⁻³以下の相対誤差で再現した。
- d=1における59組の許容可能な対に対して，ガウス関数が常に発見され，ガウス関数が許容範囲内の普遍的な極値関数であるという推測を支持した。
- γ=1/qにおけるAiry--Strichartz不等式では，最適化はL²プロファイルに収束せず，mKdVブリーザーとして組織化され，Frank--Sabinの下限に近づくことが示された。