AI Feynman：一种基于物理启发的符号回归方法
本篇研究提供一种改进的符号回归方法，利用Pareto最优化原理寻求最适合数据的公式，同时从神经网络的梯度属性中发现广义对称性，通过正常流将其推广到只有样本分布的概率分布上，并采用统计假设检验加速鲁棒性暴力搜索。
Jun, 2020
该研究采用强归纳偏置的通用方法，将符号化表示从学习的深层模型中提取出来，应用于图神经网络。该技术可以从神经网络中提取物理方程，如力学定律和哈密顿量，并在耗费较小的计算资源上快速发现新的物理原则。
Jun, 2020
本研究重新审视了Symbolic Regression的数据集和评估标准，旨在探讨其在科学探索中的潜力。我们基于现有物理学讲义上的一组公式重建了120个数据集，为每个数据集设计了合理的取样范围，并提出使用标准化编辑距离作为评价指标。通过对五种最先进的SR方法和一种基于Transformer结构的简单基准线进行实验，结果表明我们提供了更现实的性能评估，并为开展基于机器学习的科学发现打开了新的思路。
Jun, 2022
本文回顾了Richard Feynman在1980年代中期对人工智能和神经网络的兴趣，并将其放置在当时物理相关的神经网络技术背景下。作者试图在当今的技术进步和Feynman的想法之间进行评估。本文讨论了Feynman的兴趣，认为其中有些已经实现，有些仍然令人兴奋地开放，特别是在计算科学方面，可能包括其中的符号计算方法的复兴。
Aug, 2022
本篇论文提出一种利用符号回归技术和FPGA实现的机器学习模型优化算法，成功地将一个由3层神经元组成的模型大幅优化，准确率超过90%，执行时间缩短了13倍。
May, 2023
我们提出了一个框架来约束自动顺序生成方程式以通过构造符合量纲分析规则。结合增强学习，我们构建了Phi-SO，一种从物理数据中恢复分析函数的物理符号优化方法，利用单位约束。我们的符号回归算法在已知物理单位的情况下取得了最先进的结果，在存在噪音（超过0.1%）的情况下在SRBench的Feynman基准测试中表现出色，并且即使在存在显著（10%）级别的噪音下也表现出弹性。
Dec, 2023
机器学习算法通过天文观测单独发现或学习开普勒第一定律，我们使用受物理启发的符号回归工具AI Feynman来模拟约翰尼斯·开普勒使用鲁道夫表发现了火星轨道方程。
Dec, 2023
建议评估解释性方法以解释回归模型，特别是符号回归模型。在实验中，我们使用各种可解释和不可解释的回归方法以及流行的解释方法评估了解释器的性能，并发现符号回归模型是一种能够提供准确模型和合适解释的有趣选择。最稳定的解释模型是Partial Effects和SHAP，而Integrated Gradients在基于树的模型中不稳定。此基准可供进一步实验使用。
Apr, 2024