Deep Divide-and-Reduce: новый метод символьной регрессии на основе физических принципов

Символьная регрессия (SR) — это задача поиска математических выражений, описывающих закономерности в данных. В отличие от традиционных методов машинного обучения, SR стремится получить интерпретируемые формулы, а не «чёрные ящики». Однако современные подходы часто игнорируют внутреннюю математическую и физическую структуру данных, что ограничивает их точность и применимость.

Что произошло

В новой работе на arXiv (ID: 2608.02628v1) представлен метод Deep Divide-and-Reduce, который развивает идеи AI Feynman — одного из первых подходов, учитывающих математические свойства данных. Метод автоматически разбивает сложные зависимости на подзадачи, используя симметрии, разделение переменных и другие принципы, а затем сводит их к более простым выражениям. Это позволяет эффективно восстанавливать физические законы из данных без переобучения.

Почему это важно

Большинство моделей SR страдают от экспоненциального роста пространства поиска и низкой обобщающей способности. Deep Divide-and-Reduce решает эту проблему, встраивая в процесс обучения знание о том, что многие природные явления подчиняются простым математическим закономерностям. Это делает метод особенно ценным для научных открытий: от физики до биологии, где интерпретируемость модели критична.

Что дальше

Внедрение Deep Divide-and-Reduce может изменить подход к автоматическому моделированию в науке. В ближайшей перспективе метод может быть интегрирован в инструменты для анализа экспериментальных данных, а также адаптирован для задач с шумом и неполными наблюдениями. Однако остаются вопросы масштабируемости на многомерные системы и необходимости априорных знаний о симметриях.