Статья подготовлена на основе треда астрофизика Wassim Tenachi
🤓 Φ-SO — пакет физической символической оптимизации! После 1,5 лет напряженной работы, мы использовали глубокое обучение с подкреплением, чтобы создать инструмент, который может обнаруживать физические законы на основе данных.
💡 Φ-SO — это первый метод символьной регрессии, который использует единицы измерения в контексте физики, чтобы ограничить генерацию уравнений, что приводит к значительному повышению производительности.
Мы демонстрируем его мощь на графике, который показывает сокращение пространства поиска.
🧐 Наш алгоритм может помочь обнаружить простые и сложные физические законы из данных, исследуя компромиссы между сложностью и точностью. Мы гордимся тем, что Φ-SO заново открыл релятивистское выражение для энергии частицы, а также классическое приближение.
🔍 Нейронные сети являются отличными инструментами для моделирования физических систем, но им не хватает возможности интерпретации и обобщения.
👉Φ-SO дает нам шанс открыть эти «черные ящики» и восстановить уравнения, которые лежат в их основе.
🤯 Например, аналитическое выражение может быть намного лучше для обобщения за пределы тренировочного диапазона, чем MLP.
Мы обучаем RNN генерировать выражения с использованием RL и вычисляем ограничения живых единиц, чтобы научить наши правила единиц RNN. Если вас интересует SR, то наша работа может быть полезной для вас — мы используем те же методы, что и Б. Петерсен и @Landajuela_M в своей большой работе DSR.
Узнать больше подробностей и деталей, а также пообщаться с автором разработки можно на github!
Автор перевода: @eso97g13
