Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations

Each language version is independently generated for its own context, not a direct translation.

🧩 Le Défi : Trouver la "Recette" cachée dans le Chaos

Imaginez que vous êtes un détective scientifique. Vous avez observé un phénomène naturel (comme le mouvement d'une planète, la propagation d'une épidémie ou le courant dans un circuit électrique), mais vos données sont bruitées (comme une photo floue ou un enregistrement audio avec des grésillements) et incomplètes (vous ne voyez pas tous les ingrédients, seulement certains).

Votre mission ? Découvrir la formule mathématique exacte (la "loi de la nature") qui régit ce phénomène.

Le problème, c'est que les méthodes actuelles sont comme des enfants qui essaient de deviner une recette en goûtant au hasard des mélanges de sucre, de sel et de sable. Ils peuvent trouver quelque chose qui semble bon sur le moment, mais qui est faux, compliqué, ou qui ne fonctionne pas si on change un peu les ingrédients.

🚀 La Solution : SymLang (Le Chef Cuisinier Intelligent)

Les auteurs ont créé SymLang, un nouveau système qui combine trois idées géniales pour trouver la bonne formule, même avec des données imparfaites.

Voici comment cela fonctionne, étape par étape, avec des analogies du quotidien :

1. Le Filtre Magique (Grammaire Contrainte par la Symétrie)

Avant même de commencer à chercher, SymLang utilise une règle de base : "La physique ne ment pas."

L'analogie : Imaginez que vous cherchez une recette de gâteau. Vous savez qu'un gâteau ne peut pas être fait avec des pneus de voiture ou du béton.
En pratique : SymLang utilise des règles strictes (comme l'analyse dimensionnelle : on ne peut pas additionner des mètres et des secondes) pour éliminer 71 % des formules impossibles dès le départ. C'est comme si on retirait tous les pneus et le béton de votre cuisine avant même de commencer à cuisiner. Cela réduit énormément le travail inutile.

2. Le Guide Intuitif (Intelligence Artificielle "Langage")

Au lieu de tester des millions de combinaisons au hasard, SymLang utilise une Intelligence Artificielle (un modèle de langage, comme un super ChatGPT entraîné sur des maths) pour deviner les formules les plus probables.

L'analogie : Au lieu de demander à un enfant de deviner la recette en essayant tout, vous lui donnez une description du gâteau final ("Il est rond, il a une croûte dorée, il sent la vanille"). L'IA, qui a lu des millions de livres de cuisine, propose immédiatement : "Ah ! Ça ressemble à un gâteau au citron !"
En pratique : L'IA analyse les données brutes et suggère des structures de formules qui ont du sens physiquement, guidant la recherche vers les zones les plus prometteuses.

3. Le Jury de Vérité (Sélection Bayésienne et Incertitude)

Une fois que l'IA a proposé quelques formules, SymLang ne se contente pas de choisir la première qui semble correcte. Il joue au Juge.

L'analogie : Si deux recettes semblent bonnes, le juge ne dit pas "Choisis la première". Il dit : "Attendez, avec ces données, on ne peut pas être sûr à 100 %. Peut-être que la recette A est vraie, mais la recette B est aussi possible. Voici nos pourcentages de confiance."
En pratique : SymLang calcule non seulement la meilleure formule, mais aussi combien il est sûr de lui. Si les données sont trop floues pour trancher, il dit : "Je ne sais pas, il faut plus de mesures !" au lieu de donner une fausse réponse avec confiance.

🏆 Les Résultats : Pourquoi c'est révolutionnaire ?

Les auteurs ont testé SymLang sur 133 systèmes différents (de la mécanique classique à la dynamique des populations) et ont obtenu des résultats impressionnants :

Précision : Même avec beaucoup de "bruit" (des données sales), SymLang retrouve la bonne formule dans 83,7 % des cas, là où les meilleurs concurrents tombent à environ 60 %.
Robustesse : Si vous utilisez la formule trouvée pour prédire le futur (en dehors des données d'entraînement), elle ne s'effondre pas. Les autres méthodes font des erreurs énormes (comme prédire qu'une planète va s'écraser sur le soleil alors qu'elle tourne en rond).
Honnêteté intellectuelle : C'est le point le plus important. Quand les données sont trop pauvres (par exemple, on ne voit que la moitié des variables), SymLang avoue son ignorance. Il ne donne pas une réponse fausse en disant "Je suis sûr à 100 %". Il dit : "Il y a plusieurs possibilités, voici lesquelles, et voici ce qu'il faut mesurer pour trancher."

💡 En Résumé

SymLang, c'est comme avoir un chef cuisinier (l'IA) qui connaît toutes les règles de la physique (le filtre), aidé par un juge rigoureux (le jury) qui sait quand il ne faut pas prendre de risques.

Au lieu de chercher une aiguille dans une botte de foin en aveugle, SymLang utilise un aimant (les lois de la physique) pour éliminer la paille, puis demande à un expert de deviner où se trouve l'aiguille, tout en vous disant honnêtement : "Je suis presque sûr, mais vérifiez encore ici."

C'est un pas de géant vers une science capable de découvrir ses propres lois à partir de données réelles, imparfaites et complexes, sans se tromper de chemin.

Each language version is independently generated for its own context, not a direct translation.

Voici un résumé technique détaillé du papier « Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations », présentant le framework SymLang.

1. Problématique et Contexte

La découverte de lois physiques compactes (équations gouvernantes) à partir de données expérimentales est un objectif fondamental de la science quantitative. Cependant, les pipelines actuels échouent souvent face à trois défis majeurs :

Bruit et dérivées : Les mesures bruitées corrompent l'estimation des dérivées temporelles nécessaires à la régression.
Observabilité partielle : Des variables d'état pertinentes sont souvent non observées, rendant la dynamique sous-jacente inaccessible directement.
Ambiguïté structurelle : Plusieurs structures symboliques peuvent expliquer les données de manière équivalente, mais les méthodes existantes tendent à retourner une seule équation « meilleure », masquant l'incertitude structurelle et conduisant à des conclusions erronées.

Les approches antérieures (programmation génétique, régression parcimonieuse comme SINDy, ou régression symbolique profonde) souffrent soit d'une complexité computationnelle exponentielle, soit d'une dépendance à des bibliothèques d'opérateurs fixes, soit d'un manque de contraintes physiques rigoureuses a priori.

2. Méthodologie : Le Framework SymLang

SymLang est un pipeline modulaire en cinq étapes qui intègre trois idées clés : des grammaires contraintes par la symétrie, une synthèse de programmes guidée par un modèle de langage, et une sélection de modèle bayésienne régularisée par le MDL (Minimum Description Length).

Étape 1 : Prétraitement et Estimation des Dérivées

Pour éviter l'amplification du bruit par les différences finies, le système résout un problème variationnel de lissage par splines (ou une régularisation par variation totale pour les signaux discontinus) afin d'estimer les dérivées $\dot{y}$ de manière robuste.

Étape 2 : Nondimensionnalisation et Contraintes d'Unités

Les variables sont redimensionnées pour être sans dimension. Cela permet d'appliquer directement le théorème de Buckingham $\Pi$ et d'imposer des contraintes de type rigides (analyse dimensionnelle) sur la grammaire de recherche. Toute expression violant l'homogénéité dimensionnelle est éliminée avant même l'évaluation, réduisant l'espace de recherche de manière drastique.

Étape 3 : Construction de Grammaire Contrainte par la Symétrie

Au-delà des unités, SymLang encode des invariances physiques (parité, invariance rotationnelle $SO(3)$ , invariance par translation temporelle, invariance de Galilée/Lorentz) directement dans les règles de production d'une grammaire contextuelle libre (CFG) typée.

Impact : Cela élimine en moyenne 71,3 % des arbres d'expression candidats avant toute ajustement de paramètres, rendant la recherche beaucoup plus efficace.

Étape 4 : Synthèse de Programmes Guidée par le Langage

Un modèle de langage (transformer de 7 milliards de paramètres, finement ajusté) génère des candidats.

Conditionnement : Le modèle reçoit un résumé des données (caractéristiques spectrales, scores de symétrie, candidats de quantités conservées).
Proposition : Il génère des expressions symboliques (S-expressions) qui respectent la grammaire typée contrainte.
Efficacité : Le modèle de langage agit comme un guide heuristique intelligent, naviguant dans l'espace contraint bien plus efficacement qu'un échantillonnage uniforme ou une évolution génétique.

Étape 5 : Ajustement des Constantes et Sélection de Modèle

Ajustement : Les constantes physiques des structures candidates sont optimisées via une minimisation de l'erreur de dérivée, avec une régularisation $L_2$ et une pénalité douce pour les lois de conservation détectées.
Sélection MDL : Le choix du modèle ne se fait pas par simple vraisemblance, mais par un score MDL (Longueur de Description Minimale) qui pénalise la complexité structurelle de l'arbre et la précision des constantes.
Quantification de l'incertitude : Une analyse de stabilité par bootstrap en blocs est effectuée. Au lieu de retourner une seule équation, le système retourne un ensemble classé d'équations avec des poids de probabilité et des indicateurs de stabilité. Si plusieurs structures sont équivalentes, le système signale explicitement cette dégénérescence structurelle.

3. Contributions Clés

Intégration des contraintes physiques en amont : Contrairement aux méthodes post-hoc, SymLang intègre l'analyse dimensionnelle et les symétries comme règles de production strictes, éliminant massivement les candidats physiquement impossibles.
Guidage par Modèle de Langage : Utilisation d'un LLM pour explorer l'espace des expressions contraintes, combinant la puissance de la génération de langage avec la rigueur des contraintes physiques.
Gestion honnête de l'incertitude : Le framework ne force pas un choix unique. Il quantifie l'incertitude structurelle et signale quand les données sont insuffisantes pour discriminer entre plusieurs lois, évitant ainsi les conclusions scientifiques erronées.
Robustesse à l'observabilité partielle : Deux stratégies (dynamiques effectives et augmentation par variables latentes) permettent de découvrir des lois même lorsque jusqu'à 50 % des variables d'état sont cachées.

4. Résultats Expérimentaux

Le framework a été évalué sur un benchmark de 133 systèmes dynamiques (mécanique, électrodynamique, thermodynamique, dynamique des populations, oscillateurs non linéaires) avec différents niveaux de bruit et d'occlusion.

Récupération Structurelle :
- Avec 10 % de bruit, SymLang atteint un taux de récupération exact de 83,7 %, soit une amélioration de 22,4 points de pourcentage par rapport à la meilleure méthode de base (PySR).
- Avec 50 % d'occlusion des variables d'état, le taux de récupération exact est de 61,2 % contre 38,4 % pour les concurrents.
Extrapolation et Cohérence Physique :
- L'erreur d'extrapolation (OOD) est réduite de 61 % par rapport à PySR.
- La violation des lois de conservation (dérive physique) est quasi éliminée : $3,1 \times 10^{-3} $** contre **$ 187,3 \times 10^{-3}$ pour le concurrent le plus proche.
Efficacité Échantillonnaire : SymLang atteint 80 % de récupération avec environ 4 800 pas de temps, tandis que PySR en nécessite environ 19 000 (un gain de facteur 4).
Gestion de l'Ambiguïté : SymLang identifie correctement 91,3 % des systèmes non identifiables comme ambigus, alors que toutes les méthodes de base retournent une équation unique (souvent fausse) avec une confiance injustifiée.

5. Signification et Impact

Ce travail représente une avancée majeure pour la découverte scientifique automatisée. En séparant les contraintes physiques (déductives, appliquées via la grammaire) de l'apprentissage statistique (guidé par le LLM et sélectionné par le MDL), SymLang offre un compromis optimal entre efficacité, précision et interprétabilité.

Sa capacité à signaler l'incertitude structurelle est particulièrement cruciale : elle transforme la découverte d'équations d'un processus de « boîte noire » en un processus scientifique rigoureux où le chercheur sait exactement quelles lois sont robustes et quelles expériences supplémentaires sont nécessaires pour lever les ambiguïtés. Le framework est entièrement open-source et reproductible, offrant une voie claire de la donnée brute vers des lois symboliques auditable physiquement.