引入 “类别符号回归”—— 一个首个框架，能够自动找到一个准确适用于多个数据集（每个数据集都由其可能独特的拟合参数集）的单一分析函数形式。通过应用于一系列合成玩具案例数据集，我们展示了这种新颖方法的有效性，并成功从模拟轨道（近似恒星流）的集合中提取出一个解析星系势能，展示了其在天体物理学中的实用性。

Dec, 2023

利用符号回归推导解析公式，首先应用于算法定义的动力学变量，然后再次应用于 NLO 几何变量的推导。

Nov, 2022

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

通过使用符号机器学习方法，本研究探索了一种多目标迭代符号回归方法，用于描述轻中质量核的结合能和电荷半径，发现了简单的解析关系，并将该模型与现有的补充模型相结合，估计了核稳定性的极限。这些结果凸显了符号机器学习在开发准确的核模型和解决复杂多体问题方面的潜力。

Apr, 2024

本文提出了一种开源、可重现的基准测试平台，对 14 种符号回归方法和 7 种机器学习方法以 252 个回归问题评估，发现真实数据集的最佳表现方法结合了遗传算法和参数估计和 / 或语义搜索驱动程序，而在噪声存在下找到精确方程的能力，深度学习和基于遗传算法的方法表现类似。

Jul, 2021

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

本研究介绍了第一种使用大规模预训练的符号回归方法，通过生成一组不受限方程式并使用 Transformer 预测输入输出对应的符号方程，提高了方程式发现的效率和准确性。

Jun, 2021

利用粒子物理过程的潜在空间结构，利用增强数据训练神经网络，从而实现在加速器实验中约束理论参数的多种推理技术，这些新技术比传统方法基于直方图的方法放置了更强的限制。

Apr, 2018

本研究为 LHC 的新物理奠定基础，通过引入一组新的无量纲变量和质量维度的变量，加快了对类似于 SUSY 场景中质量粒子的成对产生、衰变过程的表征速度。

Jun, 2010

本文介绍了一个新的杂化标准模型，其具有最小超对称标准模型（MSSM）完全的频谱，没有外来物质。可以从根据 Z_2 基本群的 Calabi-Yau 三倍体上紧致化的杂化弦中获得我们的模型，与一个不变的 SU (5) 捆绑在一起。获得的频谱包括标准模型的三代，加上 0、1 或 2 个 Higgs 双重配对。特别地，我们得到一个通过杂化弦真空（即一个稳定的捆绑）紧致化的第一个精确的 MSSM，其中只有一对 Higgs。

Dec, 2005