一种用于物理信息符号回归且可直观集成领域知识的计算框架
机器学习
2023-03-02 v3 计算工程、金融与科学
人机交互
信息检索
摘要
发现能够解释实验数据且有意义的符号表达式，是许多科学领域中的基本挑战。我们提出了一个新颖的开源计算框架，称为 Scientist-Machine Equation Detector (SciMED)，它采用科学家在环的方法，将科学学科知识与最先进的符号回归(SR)方法相集成。SciMED 将基于遗传算法的包装器选择方法与自动机器学习和两级 SR 方法相结合。我们在沉降球体的五种配置上测试了 SciMED，包括有和没有空气动力非线性阻力的情况，以及测量中存在大量噪声的情况。我们表明 SciMED 足够鲁棒，能够从数据中发掘出正确的具有物理意义的符号表达式，并展示了领域知识的集成如何提升其性能。我们的结果表明，即便在未集成任何知识的情况下，其在这些任务上的表现也优于最先进的 SR 软件包。此外，我们展示了 SciMED 如何像多数现有 SR 系统那样警示用户可能存在的缺失特征。
引用
@article{arxiv.2209.06257,
title = {A computational framework for physics-informed symbolic regression with straightforward integration of domain knowledge},
author = {Liron Simon Keren and Alex Liberzon and Teddy Lazebnik},
journal= {arXiv preprint arXiv:2209.06257},
year = {2023}
}