什么值得买App下载 App ›
连续签到专享现金活动

并行符号枚举:突破符号回归计算瓶颈的新范式

符号回归(SR)旨在从数据中自动提取简洁且可解释的数学表达式,是现代科学发现的重要工具。然而,该领域长期面临“组合爆炸”的挑战:在无限的搜索空间中寻找既精确又简约的公式极为困难。现有的主流算法,如演化计算(GP)、稀疏回归(SINDy)及深度学习方法,在处理复杂问题时,十年来一直受限于可扩展性差、预设函数库束缚或搜索效率低下等瓶颈。为解决这一难题,研究者提出了并行符号枚举(PSE)框架,通过根本性的范式变革,实现了符号回归在精度与效率上的双重突破。
01核心创新:PSRN架构与并行计算
PSE模型的核心在于并行符号回归网络(PSRN),该架构摒弃了传统方法对候选表达式进行独立、顺序评估的机制,转而采用并行化与共享计算相结合的策略。其技术突破主要体现在以下两个方面:
  • 共享子树评估:针对候选表达式中大量重复出现的公共子树,PSRN通过自动识别机制仅进行一次计算,并将结果共享给所有依赖该子树的复杂表达式。这种机制有效避免了传统方法中的冗余计算,显著降低了计算开销。
  • GPU大规模并行计算:PSRN架构专为GPU并行计算设计,能够利用数千个核心同时对数以亿计的候选表达式进行评估。通过GPU的算力加持,模型可在数秒内完成海量表达式的数值计算与误差评估。
上述两项技术的协同作用,使得PSE在表达式评估环节的效率相比传统方法提升了高达四个数量级,从根本上解决了NP难问题在符号回归中的计算效率障碍。
02性能验证:精度与鲁棒性的全面领先
研究团队在超过200个合成及实验问题集上对PSE进行了广泛验证。实验结果表明,无论是在标准基准测试中,还是在面对实际物理系统的复杂数据时,PSE均展现出显著优于现有最先进基线算法的性能。
测试场景PSE表现顶尖基线方法表现
混沌系统控制方程发现在10%噪声干扰下保持最高恢复率恢复率与鲁棒性较低
机电系统动力学发现成功提取简洁准确的方程未能发现或精度不足
高维噪声合成问题(50变量)实现40%的恢复率恢复率为0%

PSE与基线方法在不同测试场景下的性能对比

特别值得注意的是,在经典的湍流摩擦(Nikuradse)数据集上,PSE发现了比现有公式更优的符号表达式。而在包含50个变量的高维噪声合成问题中,当顶尖基线方法的恢复率为0%时,PSE仍实现了40%的恢复率,这有力证明了其强大的可扩展性与特征选择能力。
03未来展望:构建跨学科科研基础平台
PSE的成功为数据驱动的科学发现提供了新工具,其未来发展将聚焦于多维度的技术融合与优化。通过与uDSR等集成式SR方法结合,引入预训练与稀疏回归技术,可进一步提升性能;同时,引入特征选择预处理和物理量纲等先验知识,将有助于增强高维问题的可扩展性并加速收敛。随着技术的持续进化,PSE有望突破学科界限,成为自动化科学发现的通用基础平台,持续推动科研效率的跃升。

评论

评论区空态插画

当前文章无评论,是时候发表评论了