LASR: Новый подход машинного обучения к символьной регрессии с использованием больших языковых моделей

Символьная регрессия – это передовой вычислительный метод для поиска математических уравнений, лучше всего объясняющих набор данных. В отличие от традиционной регрессии, которая подгоняет данные к заранее определенным моделям, символьная регрессия ищет базовые математические структуры с нуля. Этот подход стал популярным в научных областях, таких как физика, химия и биология, где исследователи стремятся раскрыть фундаментальные законы, управляющие природными явлениями. Путем создания интерпретируемых уравнений символьная регрессия позволяет ученым более интуитивно объяснять закономерности в данных, что делает ее ценным инструментом в широком streben к автоматизированному научному открытию.

Вызовы символьной регрессии и решения

Одним из ключевых вызовов в символьной регрессии является огромное пространство поиска потенциальных гипотез. По мере увеличения сложности данных количество возможных решений растет экспоненциально, что делает эффективный поиск вычислительно запретительным. Традиционные подходы, такие как генетические алгоритмы, полагаются на случайные мутации и кроссоверы для эволюции решений, но часто нуждаются в помощи в масштабируемости и эффективности. В результате существует настоятельная необходимость в более эффективных методах обработки больших наборов данных без ущерба точности или интерпретируемости, что способствует прогрессу в научном открытии.

Метод LASR и его преимущества

Исследователи из UT Austin, MIT, Foundry Technologies и Университета Кембриджа разработали новый метод под названием LASR (Learned Abstract Symbolic Regression). Этот инновационный подход объединяет традиционную символьную регрессию с большими языковыми моделями (LLM), чтобы ввести новый уровень эффективности и точности. LASR разработан для построения библиотеки абстрактных, повторно используемых концепций для направления процесса генерации гипотез. Путем использования LLM метод снижает зависимость от случайных эволюционных шагов и вводит механизм, основанный на знаниях, направляющий поиск к более релевантным решениям.

Применение LASR и результаты

Производительность LASR была протестирована на различных бенчмарках, включая уравнения Фейнмана, состоящие из 100 физических уравнений известных “Лекций по физике” Фейнмана. LASR значительно превзошел современные подходы к символьной регрессии в этих тестах. В то время как лучшие традиционные методы решали 59 из 100 уравнений, LASR успешно обнаружил 66. Это значительное улучшение, особенно учитывая, что метод тестировался с теми же гиперпараметрами, что и его конкуренты. Дополнительно, на синтетических бенчмарках, созданных для имитации задач научного открытия в реальном мире, LASR последовательно показывал превосходную производительность по сравнению с базовыми методами. Результаты подчеркивают эффективность комбинирования LLM с эволюционными алгоритмами для улучшения символьной регрессии.

Заключение

Метод LASR представляет собой значительный шаг вперед в символьной регрессии. Путем введения знанием управляемого, концептуально направленного подхода он предлагает решение для проблем масштабируемости, которые давно преследовали традиционные методы. Использование LLM для генерации абстрактных концепций обеспечивает новый уровень эффективности, позволяя методу быстрее сходиться к точным и интерпретируемым уравнениям. Успех LASR в превзойдении существующих методов на бенчмарках и обнаружении новых идей в законах масштабирования LLM подчеркивает его потенциал для продвижения в символьной регрессии и машинном обучении.