DISCOVER：面向物理领域的GPU加速符号回归框架
综合物理
2026-02-10 v1
摘要
符号回归（SR）可从实验和仿真数据中发现可解释的数学关系，这些关系常被称为描述符，其定义为与所需或不Desired功能属性直接相关的基本材料属性。虽然基于Sure Independence Screening and Sparsifying Operator（SISSO）的既有方法已成功在大特征空间中识别低维描述符，但许多现有SR工具在与现代Python工作流程集成时效果不佳，对符号搜索空间的控制有限，或在大规模研究中难以应付计算需求。本文介绍DISCOVER（Data-Informed Symbolic Combination of Operators for Variable Equation Regression），一个开源符号回归软件包，通过模块化、物理动机驱动的设计来解决上述挑战。DISCOVER允许用户利用领域知识引导符号搜索，显式约束特征空间，并可选用GPU加速以提高数据密集型工作流程的计算效率，实现可重复且可扩展的SR工作流程。该软件旨用于计算物理、计算化学和材料科学领域，在这些领域中可解释性、物理一致性和执行时间尤为重要，它补充了通用SR框架，强调发现具有物理意义模型。
引用
@article{arxiv.2602.06985,
title = {Cosmological evolution of collisionless relativistic gases as dark matter},
author = {Francisco X. Linares Cedeño and Ulises Nucamendi and Olivier Sarbach},
journal= {arXiv preprint arXiv:2602.06985},
year = {2026}
}
备注
44 pages, 10 figures, 2 tables, and 2 appendices