💻 computer science

A Search‑Free Foundation Model for Symbolic Regression of Physical Laws

El artículo presenta PISR, un modelo fundacional libre de búsqueda que aprovecha una variedad de datos y fórmulas alineada contrastivamente e informada por la física, junto con el ajuste de flujo (flow matching), para recuperar de manera rápida y precisa leyes físicas interpretables a partir de datos, superando a los métodos existentes tanto en velocidad como en precisión estructural a través de diversos bancos de pruebas científicos y del mundo real.

Autores originales: Chenxi He, Jingqiu Chen

Publicado 2026-07-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Chenxi He, Jingqiu Chen

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de resolver un misterio, pero en lugar de huellas dactilares o pisadas, tus pistas son números. En el mundo de la ciencia, existe un tipo especial de acertijo llamado "regresión simbólica". El objetivo no es solo predecir qué pasará después (como una aplicación del clima que adivina si lloverá), sino encontrar la regla que explica por qué sucede. Piensa en esto como intentar descubrir la receta secreta de un pastel simplemente probando las migas. Quieres descubrir la fórmula matemática exacta—como $E=mc^2$ o las leyes de la gravedad—que la naturaleza está utilizando.

Durante mucho tiempo, las computadoras han sido pésimas en esto. Son excelentes para encontrar patrones en los datos, pero suelen darte una respuesta de "caja negra": una máquina compleja e ilegible que funciona, pero que no te cuenta la historia. Otros métodos intentan adivinar la receta lanzando miles de combinaciones aleatorias contra la pared para ver cuáles se quedan pegadas, pero esto es lento, torpe y a menudo se rompe cuando los datos son desordenados. La gran pregunta que los científicos se han estado haciendo es: ¿Podemos construir una computadora que no solo adivine al azar, sino que realmente entienda la forma de las leyes científicas para así encontrarlas de manera rápida y correcta, incluso en datos reales y ruidosos?

Aquí es donde entra una nueva invención llamada PISR (Regresión Simbólica Informada por la Física). Piensa en PISR no como un detective buscando frenéticamente en una biblioteca, sino como un maestro chef que se ha memorizado toda la historia de la cocina. Los investigadores detrás de PISR se dieron cuenta de que las leyes físicas reales no son solo matemáticas aleatorias; viven en un vecindario específico y organizado dentro del vasto universo de todas las ecuaciones posibles. Ellos llaman a este vecindario el "variedad de fórmulas" (formula manifold).

En lugar de buscar la respuesta cada vez, PISR aprende el "mapa" de este vecindario. Utiliza un truco ingenioso: se entrena con una colección masiva de leyes conocidas de física y matemáticas, aprendiendo a reconocer la "vibra" o la "forma" de una ley real. Cuando le das un nuevo conjunto de datos desordenados (como el movimiento caótico del viento o la órbita de una estrella distante), PISR no empieza desde cero. Proyecta instantáneamente esos datos sobre su mapa interno y pregunta: "¿Qué aspecto tiene esto?". Luego utiliza dos superpoderes para encontrar la respuesta:

Flow Matching (Emparejamiento de Flujo): Hace que los datos "fluyan" suavemente hacia la ley conocida más cercana en el mapa, como un río encontrando su camino hacia el océano.
Retrieval (Recuperación): Toma rápidamente a los vecinos más cercanos de una biblioteca de 400,000 fórmulas reales que ya ha estudiado.

Los resultados son impresionantes. En las pruebas, PISR encontró la estructura matemática de las leyes físicas el 51.3% de las veces en un conjunto difícil de problemas de física del mundo real, superando a todos los demás métodos. También fue aproximadamente 2.4 veces más rápido que sus mejores competidores. Pero la verdadera magia ocurrió cuando los investigadores lo probaron con cosas que nunca había visto antes. PISR recuperó con éxito leyes famosas a partir de datos brutos en campos tan distintos como las finanzas, la biología y la astronomía, incluyendo patrones complejos de turbulencia y la relación entre el brillo de una estrella y su temperatura.

Crucialmente, el artículo muestra que PISR no solo está memorizando respuestas. Los investigadores demostraron que en el "cerebro" de la computadora (su espacio matemático), las leyes científicas reales están claramente separadas de la matemática aleatoria y sin sentido. Es como tener una habitación donde todas las leyes reales se sientan en un círculo ordenado y limpio, mientras que el galimatías aleatorio está esparcido lejos de allí. Debido a que PISR sabe que este círculo existe, puede ignorar el galimatías y concentrarse solo en los patrones significativos.

Sin embargo, esto no es una varita mágica que lo resuelve todo. El artículo es cuidadoso en notar que PSR está diseñado para leyes de "forma cerrada" (closed-form)—ecuaciones que puedes escribir en un papel. Actualmente no maneja ecuaciones que involucran tasas de cambio a través del tiempo (como las ecuaciones diferenciales) de la misma manera. Además, aunque sobresale en encontrar leyes que parecen fórmulas científicas, tiene dificultades con problemas matemáticos abstractos que no siguen las reglas de la física, porque ha aprendido a ignorar esas estructuras "fuera de la variedad" (off-manifold).

En resumen, PISR representa un cambio de la "búsqueda por fuerza bruta" al "reconocimiento de patrones inteligente". Sugiere que si enseñamos a las computadoras a entender la estructura subyacente de cómo el universo escribe sus reglas, podemos recuperar esas reglas de datos desordenados de manera mucho más rápida y precisa que antes. Los investigadores han demostrado que las leyes científicas ocupan un rincón especial y estructurado del espacio matemático, y al aprender a navegar por ese rincón, podemos redescubrir los secretos del universo con una sola y rápida mirada.

Resumen Técnico: Un Modelo de Base Libre de Búsqueda para la Regresión Simbólica de Leyes Físicas

1. Planteamiento del Problema

La Regresión Simbólica (SR) busca recuperar leyes matemáticas interpretables y en forma cerrada a partir de datos observacionales. Aunque es central para el descubrimiento científico, los métodos existentes enfrentan un compromiso fundamental entre precisión y velocidad:

Los métodos basados en búsqueda (por ejemplo, Algoritmos Genéticos, enumeración paralela en GPU) son precisos en datos limpios y de baja dimensión, pero sufren de altos costos computacionales, fragilidad ante datos del mundo real con ruido y la necesidad de reexplorar el espacio de expresiones combinatorias para cada nuevo problema.
Los métodos de aprendizaje profundo de extremo a extremo (por ejemplo, transformadores) ofrecen velocidad, pero típicamente tratan la SR como una tarea de traducción de secuencias. Aprenden a modelar la distribución de los datos en lugar del espacio subyacente de las fórmulas, careciendo de sesgos explícitos sobre la estructura de las leyes físicas. En consecuencia, tienen dificultades con el espacio discreto, no suave y super-exponencialmente creciente de expresiones requerido para el descubrimiento físico real.

El artículo postula que los algoritmos actuales basados en datos fallan al razonar sobre las relaciones estructuradas de la física real porque no codifican un modelo del "espacio de fórmulas" que predicen.

2. Metodología: PISR (Regresión Simbólica Informada por la Física)

Los autores proponen PISR, un modelo de base libre de búsqueda que replantea la regresión simbólica como un problema de generación dentro de un manifiesto fórmula-dato preentrenado y contrastivamente alineado. La hipótesis central es que las leyes físicas reales ocupan un sub-manifiesto estructurado de baja complejidad dentro del vasto espacio de todas las expresiones posibles, moldeado por la consistencia dimensional y motivos composicionales recurrentes.

Arquitectura y Entrenamiento

Manifiesto Latente Compartido: PISR emplea dos codificadores alineados mediante un objetivo contrastivo InfoNCE simétrico (estilo CLIP):
1. Codificador de Datos ( $E_d$ ): Un codificador invariante a la permutación (atención de múltiples cabezales agrupados con 16 tokens semilla aprendidos) que mapea nubes de puntos $\{(x_i, y_i)\}$ a un vector latente $z_d$ .
2. Codificador de Fórmulas ( $E_f$ ): Un codificador de red neuronal de grafos que mapea el árbol de sintaxis abstracta (AST) de una expresión a un vector latente $z_f$ .
- Alineación: Durante el entrenamiento, una fórmula y los datos que genera se atraen hacia puntos cercanos en el espacio latente ( $\mathbb{R}^{640}$ ), haciendo que la proximidad sea un proxy de la relación funcional.
Supervisión Estructural: El modelo se entrena en un gran corpus de física/matemáticas (33.6M de expresiones) aumentado con un grafo de conocimiento físico. Un término de pérdida estructural ( $L_{struct}$ ) impone un sesgo informado por la física sobre la estructura de la expresión, utilizando leyes parentales, precondiciones y aristas de derivación-DAG.
Escala del Modelo: El modelo completo comprende aproximadamente 0.4 mil millones de parámetros, incluyendo los codificadores, un campo de ajuste de flujo (flow-matching) y un decodificador.

Pipeline de Inferencia (Libre de Búsqueda)

PISR opera en una única pasada hacia adelante amortizada sin búsqueda simbólica por instancia:

Generación Latente: Un campo de ajuste de flujo (estilo DiT) transporta el latente de los datos $z_d$ hacia latentes de fórmulas candidatas.
Recuperación: Se indexa una biblioteca de 400,000 latentes de fórmulas reales. Los $k$ -vecinos más cercanos de $z_d$ se recuperan para proporcionar un complemento no paramétrico a los candidatos generados.
Decodificación Condicionada: Un decodificador autorregresivo renderiza tanto los latentes generados por el flujo como los recuperados en esqueletos de expresiones (tokens tipados), condicionados a la representación de los datos.
Selección: Las constantes libres de las expresiones candidatas se ajustan mediante mínimos cuadrados no lineales. Los candidatos se clasifican únicamente por el error de predicción de validación (no se aplica penalización por complejidad, ya que las leyes físicas pueden ser estructuralmente complejas). Se devuelve la expresión con mejor desempeño.

3. Contribuciones Clave y Hallazgos

La Hipótesis del Manifiesto de Fórmulas

El artículo proporciona evidencia empírica de que las fórmulas físicas reales son linealmente separables de las expresiones aleatorias en el espacio latente aprendido.

Separabilidad: Una sonda lineal logra un ROC-AUC del 94.4% al distinguir leyes físicas reales de expresiones aleatorias con estructura similar (controlando la frecuencia de operadores y longitud).
Geometría: Las leyes reales forman una estructura rica y extendida (razón de participación 21.5) distinta de las expresiones aleatorias (10.5), confirmando que la "región de la ley" está definida por una gramática composicional y no simplemente por ser un subconjunto más pequeño.
Análisis Dimensional: Esta separabilidad se fundamenta en el teorema de Buckingham- $\pi$ , que restringe las leyes válidas a grupos adimensionales, podando efectivamente la gran mayoría de las expresiones sintácticamente válidas pero físicamente imposibles.

Desempeño en Benchmarks

PISR fue evaluado en tres benchmarks contra cuatro líneas base: Programación Genética (PySR), enumeración paralela en GPU (PSE), un transformador especializado en el dominio (PhyE2E) y SR generativo latente (GenSR).

Benchmark de Física Real (797 tareas): PISR alcanzó una precisión estructural del 51.32%, superando al siguiente mejor modelo (PySR) por 7.66 puntos porcentuales.
Generalización de Dominio Cruzado (270 tareas): PISA alcanzó un 71.11% de precisión, excediendo a PySR por 15.93 puntos. Esto sugiere que el modelo aprendió la estructura de las fórmulas tipo ley en lugar de solo la distribución de la física, permitiendo la transferencia a finanzas, economía y biología.
Ecuaciones de Feynman (119 tareas): PISR alcanzó un 39.50% de precisión, superando a la línea base de enumeración en GPU por 6.73 puntos.
Eficiencia: PISR es aproximadamente 2.4 veces más rápido que la programación genética y 2.5 veces más rápido que la enumeración en GPU, requiriendo solo una pasada hacia adelante (~12.25s por tarea) en comparación con la búsqueda iterativa de las líneas base.

Recuperación de Leyes Complejas

PISR recuperó de forma única leyes con nombre a partir de datos brutos donde todas las líneas base fallaron, particularmente en casos que involucran:

Funciones trascendentales: Identificando correctamente formas exponenciales o logarítmicas donde las líneas base sustituyeron por aproximaciones algebraicas (ej. potencias anidadas o aproximaciones racionales).
Exponentes variables: Recuperando formas con exponentes variables (ej. $x^n$ ) donde los transformadores sustituyeron por exponentes fijos.
Dominios Específicos: Recuperando con éxito la ley de los dos tercios de Kolmogorov de datos de turbulencia, la relación de Stefan-Boltzmann de catálogos estelares, y el cierre de estrés de Reynolds (logrando $R^2 \approx 0.99$ donde los modelos clásicos fallaron).

4. Significado y Reivindicaciones

El artículo afirma que PISR representa un cambio de paradigma de "buscar" leyes a "generarlas" dentro de un manifiesto informado por la física y aprendido.

Sesgo Inductivo: Al especializarse en el manifiesto de fórmulas tipo ley, el modelo logra una precisión de estado del arte en datos científicos reales mientras evita la región "libre de estructura" de los espacios de expresiones abstractas donde su desempeño es pobre (una característica, no un error, de su diseño).
Generalización: El modelo demuestra que un único modelo de base entrenado en física puede generalizarse a dominios científicos no físicos (ej. economía, biología) porque estos comparten la misma "gramática composicional" de las leyes científicas.
Escalabilidad: La arquitectura libre de búsqueda hace que sea computacionalmente factible intentar la generación y validación de hipótesis a gran escala para problemas de clausura abiertos (ej. modelado de turbulencia), moviendo el campo de la recuperación de leyes conocidas a la propuesta de nuevas leyes.

Los autores enfatizan que el éxito del modelo depende de la hipótesis de que las leyes científicas no son elementos arbitrarios del espacio de expresiones, sino que ocupan un sub-manifiesto estructurado definido por la consistencia dimensional y los motivos físicos. Este sesgo es decisivo para manejar los datos ruidosos y dimensionalmente estructurados característicos de la ciencia del mundo real.