🤓 Φ-SO — 物理符号优化包！经过1.5年的努力，我们利用深度强化学习创建了一个可以检测的工具 物理定律 基于数据。
💡 Φ-SO 是第一个使用物理环境中的单位来约束方程生成的符号回归方法，从而显着提高性能。
我们在一张显示搜索空间缩小的图表中展示了它的威力。
🧐 我们的算法可以通过探索复杂性和准确性之间的权衡来帮助从数据中发现简单和复杂的物理定律。我们感到自豪的是 Φ-SO 重新发现了粒子能量的相对论表达式以及经典近似。
🔍 神经网络 是对物理系统进行建模的优秀工具，但它们缺乏能力 解释 和 概括.
👉Φ-SO 让我们有机会打开这些黑匣子并重建它们背后的方程。
🤯 例如， 解析表达式 可能比 MLP 更擅长泛化超出训练范围。
我们训练 循环神经网络 使用生成表达式 R.L. 并计算居住单位的限制来教导我们的单位规则 循环神经网络。如果你感兴趣 S.R.，那么我们的工作可能对您有用 - 我们使用与 B. Petersen 相同的方法和 @Landajuela_M 在他的伟大作品中 数字SR.
您可以了解更多细节和细节，以及与开发作者交流： github!
翻译作者： @eso97g13
