A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination

Imagina que eres un detective intentando resolver un misterio, pero en lugar de huellas dactilares o coartadas, tus pistas son números en una hoja de cálculo. Tu objetivo es encontrar la "receta" oculta —una ecuación matemática escrita de forma nítida— que explique cómo se comportan esos números. Este es el mundo de la Regresión Simbólica. A diferencia de los programas informáticos estándar que solo procesan números para dar una respuesta, la regresión simbólica intenta escribir la ley de la naturaleza real, como $F=ma$ o la fórmula de la gravedad, de una manera que un humano pueda leer y entender. Es la diferencia entre una caja negra que predice el clima y un meteorólogo que puede explicar por qué viene la tormenta.

Durante mucho tiempo, los científicos han utilizado computadoras para buscar estas recetas, pero el proceso suele ser torpe. Es como intentar arreglar un reloj roto intercambiando piezas al azar y esperando que empiece a funcionar. Si el reloj no funciona, la computadora simplemente obtiene una "mala puntuación" e intenta de nuevo, a menudo cometiendo los mismos errores una y otra vez. Recientemente, los científicos han empezado a utilizar los Modelos de Lenguaje Extensos (LLM) —los superinteligentes chatbots de IA que podrías conocer— para ayudar a escribir estas ecuaciones. Estas IA son excelentes adivinando qué palabras (o símbolos matemáticos) deberían seguir, pero aún pueden quedarse estancadas, escribir ecuaciones que no tienen sentido o confundirse cuando los datos se vuelven complicados. La gran pregunta es: ¿Cómo hacemos que estos detectives de IA dejen de adivinar al azar y empiecen a trabajar como un verdadero equipo de expertos?

Entra A-SR, un nuevo método que trata la búsqueda de fórmulas matemáticas no como un acto en solitario, sino como un esfuerzo de equipo bien orquestado. Los investigadores detrás de este artículo, Wenxiao Zhao y sus colegas, se dieron cuenta de que la forma antigua de hacer las cosas era demasiado rígida. En el pasado, una IA simplemente proponía una ecuación, obtenía una puntuación e intentaba de nuevo. Si la ecuación estaba rota, la IA podía intentar arreglarla añadiendo más números, o si era demasiado simple, podía intentar hacerla más compleja, todo ello sin comprender realmente por qué fallaba.

A-SR cambia las reglas del juego al dotar a la IA de un "gerente" y un equipo de especialistas. Imagina una redacción donde el Editor en Jefe (el Coordinador) no se limita a pedir a un solo reportero que escriba una historia. En su lugar, el Editor observa los acontecimientos del día y decide qué especialista es necesario. Si la historia está llena de errores, el Editor llama al Revisor para comprobar los hechos. Si la historia es aburrida y necesita un nuevo enfoque, se llama al Generador para que proponga ideas descabelladas. Si la historia es demasiado larga y confusa, se recurre al Simplificador para recortar lo innecesario. Y si a la historia le falta una pieza clave del rompecabezas, el Analista investiga en los archivos para encontrar el eslabón perdido.

Lo que hace especial a A-SR es que este equipo no sigue un horario fijo. El "Editor" es autoevolutivo. Observa cómo avanza la búsqueda en tiempo real. Si el equipo está atrapado en un bucle de errores, el Editor cambia la estrategia, quizás indicando al equipo que deje de explorar nuevas ideas y se concentre en arreglar las que están rotas. También mantiene una "memoria" de lo que funcionó y lo que no, dirigiendo esa información al especialista adecuado. Por ejemplo, si el equipo falla repetidamente debido a un tipo específico de error matemático, ese fallo se envía al Revisor, quien luego enseña al equipo cómo evitarlo la próxima vez.

El artículo demuestra que este enfoque funciona increíblemente bien. Al ser probado en una variedad de acertijos científicos —desde cómo reaccionan los productos químicos hasta cómo se estiran los materiales bajo presión—, A-SR encontró las "recetas" matemáticas correctas con mucha más frecuencia que los métodos anteriores. En un conjunto de pruebas, utilizando un modelo llamado Llama3.1-8B, la tasa de éxito saltó de aproximadamente un 25,79% a un 48,30%. Eso es casi duplicar el número de problemas que la IA podía resolver correctamente. Aún más impresionante es que, cuando aplicaron las lecciones aprendidas de estos esfuerzos de equipo a un modelo de IA más pequeño y de código abierto (Qwen3-4B), la tasa de éxito de este modelo más pequeño también aumentó significamente, del 24,58% al 38,29%.

Los investigadores también probaron A-SR con datos científicos del mundo real, como el crecimiento de las bacterias y la vibración de sistemas mecánicos. En estos escenarios de la vida real, complicados y ruidosos, A-SR logró encontrar las mejores descripciones matemáticas en 7 de 8 casos, superando a otros métodos punteros. La conclusión clave no es solo que la IA mejoró en matemáticas; es que la IA aprendió a pensar sobre sus propios errores. En lugar de probar ciegamente millones de combinaciones aleatorias, aprendió a diagnosticar sus propios fallos, cambiar de rol cuando era necesario y usar su memoria para evitar repetir los mismos errores. Es un cambio de una búsqueda caótica en solitario a un equipo de agentes inteligente y coordinado, cada uno haciendo exactamente aquello para lo que es mejor, guiado por un gerente que sabe cuándo presionar por nuevas ideas y cuándo hacer una pausa para arreglar lo que está roto.