研究チームは、多惑星系が動的に不安定になる時刻を予測する解析式（閉形式の方程式）を示しました。本研究では、近共鳴のコンパクト3惑星系など本研究で扱った条件下に対して、不安定化時刻を予測する解析的近似式を導出しました。 (d1)

手法は二段階です。まず、113,543件のN体シミュレーションからニューラルネットワークを学習させます。モデルは初期条件について内側惑星の10^4周の短い数値積分を取り、100等間隔のサンプルの要約統計量を計算して入力としました。ここで各時点の系は31変数で表現されます。 (m6)(m2)

次に、ネットワークが学習した内部表現を解釈可能な特徴基底に変換します。特徴抽出器ϕは、人間が設計した軌道要素の符号化γ(x)を疎な線形写像Wで写し、積分中の平均と標準偏差（2N次元）を最終的な特徴とします。WはL1正則化で疎化され、各出力特徴に対して上位k=2の重みのみを残して剪定し、微調整します。 (m3)(m4)

最後に、予測ネットワークψは不安定化時間の対数について平均と分散を出力します。著者らはψから入出力対1万組をサンプリングし、PySRという記号回帰ツールを用いてψの平均出力を閉形式の方程式に蒸留しました。 (m5)(m1)

具体的な性能では、近共鳴系の検証集合でのRMSE（dex、対数誤差）は、ニューラルネットワークが1.12 dex、蒸留された方程式（本研究の式）が1.34 dex、純粋な記号回帰が1.41 dex、人間によるPetitら（2020）の解析式が3.13 dexでした。RMSEの1 dexは不安定化時刻で約10倍の誤差に相当します。 (c4)(c3)

方程式は学習データを超えて外挿しました。具体的には、3惑星で学習した式を5惑星（等質量・等間隔・円軌道・同一面）データセットに適用したところ、方程式のRMSEは1.52 dexで、同入力に対するニューラルネットワークの1.74 dexを上回りました。さらに、学習に用いられた時刻レンジ（Tinst < 10^9）を超え、Tinst = 10^10までの系にも外挿して評価が行われています。これらは、方程式がより少数の可解変数で予測の地形を捉えていることを示唆します。 (d3)(c5)

発見の意義は二つあります。第一に、導出した方程式は予測のランドスケープに含まれる構造を小数の変数で表し、力学的な解釈が可能です。第二に、ニューラルネットの潜在知識を人間が理解できる代数式に還元する手順は、他分野でも応用可能な方法論を提供します。 (d2)

ただし、いくつかの注意点があります。発見された方程式はニューラルネットよりダイナミックレンジが圧縮され、安定系と不安定系で系統的なバイアス（不安定側または安定側への偏り）を示しました。解析で特定した高複雑度項が主な原因の一つとされています。 (l1)

また、惑星間分離Δが小さい領域では細かな不安定化時刻を正確に再現する能力に制限があります。直接的な記号回帰は同様の外挿能力を示さないため、本手法の二段階構造が外挿性に寄与している可能性が示唆されています。 (l2)

さらに、得られた方程式には物理単位の整合性の制約を課していません。予測対象は無次元化した対数不安定化時刻ですが、質量や傾斜などの変数は単位を持ち、本研究の探索は単位整合を保証していません。 (l3)