🤖 machine learning

MOT-SR: Multi-Objective Tool-Augmented Scientific Equation Discovery with Large Language Models

यह शोधपत्र MOT-SR को प्रस्तुत करता है, जो एक बहु-उद्देश्यीय, टूल-ऑगमेंटेड फ्रेमवर्क है जो सटीकता, जटिलता और सामान्यीकरण के लिए संयुक्त रूप से अनुकूलन करके मौजूदा प्रतीकात्मक प्रतिगमन (सिंबोलिक रिग्रेशन) विधियों की सीमाओं को दूर करने के लिए सहयोगी लार्ज लैंग्वेज मॉडल्स और बाहरी विश्लेषणात्मक उपकरणों का लाभ उठाता है, जिससे मानक बेंचमार्क और जटिल खगोलीय मॉडलिंग कार्यों पर उत्कृष्ट प्रदर्शन प्राप्त होता है।

मूल लेखक: Boxiao Wang, Runxiang Wang, Kai Li, Chongming Li, Zhiwei Chen, Yifan Zhang, Jian Cheng

प्रकाशित 2026-08-03

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Boxiao Wang, Runxiang Wang, Kai Li, Chongming Li, Zhiwei Chen, Yifan Zhang, Jian Cheng

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन उंगलियों के निशान या पैरों के निशान के बजाय, आपके सुराग संख्याएँ हैं। आपके पास डेटा पॉइंट्स का एक ढेर है—शायद तापमान, गति, या रासायनिक प्रतिक्रियाएं—और आपका लक्ष्य उस छिपे हुए "गुप्त नुस्खे" (एक गणितीय समीकरण) को खोजना है जो यह समझा सके कि वे सब एक साथ कैसे फिट बैठते हैं। इस क्षेत्र को सिंबोलिक रिग्रेशन (Symbolic Regression) कहा जाता है। यह एक केक को केवल उसके टुकड़ों को चखकर उसे रिवर्स-इंजीनियर करने जैसा है; आप उस सटीक सामग्री की सूची और उसे बनाने के चरणों को जानना चाहते हैं, न कि केवल उसका स्वाद अनुमान लगाना चाहते हैं।

लंबे समय तक, कंप्यूटर लाखों रैंडम रेसिपी का अनुमान लगाने और उन्हें जांचने की कोशिश करते रहे हैं जब तक कि कोई सही स्वाद न मिल जाए। लेकिन हाल ही में, हमने कंप्यूटरों को एक नई महाशक्ति दी है: लार्ज लैंग्वेज मॉडल्स (LLMs)। इन्हें ऐसे सुपर-स्मार्ट रोबोट के रूप में सोचें जिन्होंने लाइब्रेरी की लगभग हर किताब पढ़ ली है। वे भाषा को समझने और पैटर्न पहचानने में माहिर हैं, इसलिए वैज्ञानिकों को उम्मीद थी कि वे हमारे लिए आसानी से ये गुप्त नुस्खे लिख सकेंगे। हालाँकि, इसमें एक पेंच है। ये स्मार्ट रोबोट कभी-कभी रेसिपी को बनाने में बहुत अधिक केंद्रित हो जाते हैं ताकि वह वर्तमान में मौजूद टुकड़ों जैसा बिल्कुल सटीक लगे, और इस बात को भूल जाते हैं कि एक अच्छा नुस्खा ऐसा होना चाहिए जो दूसरे ओवन में या थोड़ी अलग सामग्री के साथ भी काम करे। वे यह भी अनदेखा कर देते हैं कि रेसिपी कितनी जटिल है, कभी-कभी एक तीन-चरणीय सरल गाइड के बजाय निर्देशों की 10 पन्नों की सूची लिख देते हैं।

यहीं पर शोधकर्ताओं की एक नई टीम एक नए विचार के साथ सामने आती है। उन्होंने एक सिस्टम बनाया जिसे MOT-SR (मल्टी-ऑब्जेक्टिव टूल-ऑगमेंटेड साइंटिफिक इक्वेशन डिस्कवरी) कहा जाता है। केवल रोबोट को अनुमान लगाने देने के बजाय, उन्होंने उसे एक "वैज्ञानिक टूलबॉक्स" और पालन करने के लिए नियमों का एक सख्त सेट दिया। इसे एक मास्टर शेफ की तरह समझें जो न केवल भोजन का स्वाद लेता है बल्कि यह समझने के लिए कि भोजन का स्वाद ऐसा क्यों है, थर्मामीटर, स्केल और सूक्ष्मदर्शी का भी उपयोग करता है। MOT-SR डेटा का विश्लेषण करने के लिए इन उपकरणों का उपयोग करता है, और फिर रोबोट से एक ऐसा समीकरण लिखने के लिए कहता है जो न केवल सटीक हो, बल्कि इतना सरल और मजबूत भी हो कि वह नई स्थितियों में भी काम कर सके।

शोधकर्ताओं ने MOT-S को 40 अलग-अलग पहेलियों पर परखा, जिनमें बैक्टीरिया के बढ़ने से लेकर सामग्रियों के खिंचाव तक शामिल थे। उन्होंने पाया कि MOT-SR पिछले तरीकों की तुलना में "गुप्त नुस्खे" खोजने में बहुत बेहतर था। इसने न केवल सही उत्तर पाया; इसने ऐसे उत्तर खोजे जो सरल थे और नए परिस्थितियों में बेहतर काम करते थे। लेकिन असली परीक्षा तब आई जब उन्होंने अंतरिक्ष के सुदूर क्षेत्रों की एक समस्या पर इसे आजमाया: दो ब्लैक होल के एक साथ घूमने (स्पाइरलिंग) के नृत्य को मॉडल करना। इस परिदृश्य में, समीकरण में एक छोटी सी गलती भी कंप्यूटर को लंबे समय तक ब्लैक होल का पीछा करने से भटका सकती है। MOT-SR ने एक छोटा सा सुधार सूत्र (correction formula) खोज निकाला जिसने ब्लैक होल को सही पथ पर बनाए रखा, जिससे अन्य तरीकों की तुलना में त्रुटि (error) में भारी कमी आई। यह सिद्ध करता है कि स्मार्ट उपकरणों को सरलता और सटीकता के संतुलित दृष्टिकोण के साथ जोड़कर, हम कंप्यूटरों को ब्रह्मांड के मौलिक नियमों को अधिक विश्वसनीय रूप से खोजने में मदद कर सकते हैं।

मूल विचार: एक टूलकिट के साथ एक जासूस

यह शोध पत्र उस समस्या का समाधान करता है जिसने वैज्ञानिकों को वर्षों तक उलझाए रखा है: कंप्यूटरों को बिखरे हुए डेटा के भीतर छिपे सबसे सरल, सबसे सटीक गणितीय समीकरण खोजने के लिए कैसे तैयार किया जाए। जबकि हालिया AI मॉडल (LLMs) ने संभावना दिखाई, लेखकों का तर्क है कि उनमें दो प्रमुख खामियां हैं। पहला, वे चरों (variables) के बीच विशिष्ट संबंधों के प्रति "अंधे" होते हैं; वे डेटा की संरचना को वास्तव में समझे बिना अनुमान लगाते हैं। दूसरा, वे आमतौर पर केवल एक ही चीज़ की परवाह करते हैं: संख्याओं को अभी पूरी तरह से मैच करना। इससे "ओवरफिटिंग" होती है, जहाँ AI दिए गए विशिष्ट डेटा पॉइंट्स को याद कर लेता है लेकिन नए, अनदेखे डेटा के सामने बुरी तरह विफल हो जाता है। यह एक ऐसे छात्र की तरह है जो अभ्यास परीक्षण के उत्तर तो रट लेता है लेकिन वास्तविक परीक्षा में विफल हो जाता है क्योंकि उसने अवधारणाओं को नहीं समझा।

इसे ठीक करने के लिए, लेखक MOT-SR का प्रस्ताव देते हैं, जो एक सहयोगात्मक वैज्ञानिक टीम के रूप में कार्य करता है। यह सिस्टम दो मुख्य AI "पात्रों" के साथ एक लूप में काम करता है:

द मेटा स्ट्रैटेजी जनरेटर: यह जासूस है। नया समीकरण मांगने से पहले, यह डेटा का परीक्षण करने के लिए बाहरी उपकरणों (जैसे कोरिलेशन चेकर, फ्रीक्वेंसी एनालाइजर और कॉज़ल डिस्कवरी टूल्स) के एक समूह का उपयोग करता है। यह सवाल पूछता है जैसे, "क्या ये दो चर एक साथ चल रहे हैं?" या "क्या यहाँ कोई छिपा हुआ लय है?" फिर यह इन निष्कर्षों के आधार पर एक "खोज रणनीति" (search strategy) लिखता है।
द इक्वेशन जनरेटर: यह लेखक है। यह जासूस की रणनीति लेता है और नए संभावित समीकरण उत्पन्न करता है।

महत्वपूर्ण रूप से, MOT-SR केवल एक स्कोर के आधार पर "सर्वश्रेष्ठ" समीकरण नहीं खोजता है। यह एक मल्टी-ऑब्जेक्टिव इवैल्यूएशन का उपयोग करता है। यह प्रत्येक समीकरण का तीन मोर्चों पर एक साथ मूल्यांकन करता है:

सटीकता (Accuracy): क्या यह हमारे पास मौजूद डेटा में फिट बैठता है?
सामान्यीकरण (Generalization): क्या यह उस डेटा पर काम करता है जो हमने अभी तक नहीं देखा है (विशेष रूप से, डेटासेट के "किनारों" से)?
जटिलता (Complexity): क्या समीकरण सरल और पठनीय है, या यह एक उलझा हुआ जाल है?

यह सिस्टम एक "पारेटो फ्रंट" (Pareto front) बनाए रखता है, जो अनिवार्य रूप से सर्वोत्तम ट्रेड-ऑफ का एक लीडरबोर्ड है। यह एक ऐसे समीकरण को स्वीकार करने से इनकार करता है जो बहुत सटीक तो है लेकिन असंभव रूप से जटिल है, या जो सरल तो है लेकिन बहुत गलत है। यह लगातार अपनी खोज को परिष्कृत करता रहता है, बुरे विचारों को हटा देता है और सबसे आशाजनक विचारों पर ध्यान केंद्रित करता है।

परिणाम: बेंचमार्क से ब्लैक होल तक

लेखकों ने ऑसिलेटिंग सिस्टम (जैसे झूलता हुआ पेंडुलम), जैविक विकास (E. coli बैक्टीरिया), और सामग्री तनाव परीक्षण सहित विभिन्न मानक वैज्ञानिक पहेलियों पर MOT-SR का परीक्षण किया। उन्होंने इसकी तुलना पुराने तरीकों और अन्य AI-आधारित दृष्टिकोणों से की।

परिणाम स्पष्ट थे: MOT-SR ने लगातार प्रतिस्पर्धा को पछाड़ दिया। मानक बेंचमार्क पर, इसने काफी कम त्रुटियों वाले समीकरण खोजे। उदाहरण के लिए, एक ऑसिलेशन कार्य पर, इसने लगभग $1.27 \times 10^{-15}$ की त्रुटि दर प्राप्त की, जो व्यावहारिक रूप से शून्य है, जबकि अन्य तरीके $10^{-5}$ के आसपास की त्रुटियों के साथ अटके हुए थे। इसने ऐसे समीकरण भी खोजे जो बहुत अधिक संक्षिप्त (छोटे और सरल) थे और बेहतर सामान्यीकरण करते थे।

लेकिन असली "बॉस लेवल" टेस्ट खगोल भौतिकी (astrophysics) में था। शोधकर्ताओं ने एक्सट्रीम मास-रेशियो इनस्पाइरल्स (EMRIs) के लिए MOT-SR को लागू किया। यह एक ऐसी स्थिति है जहाँ एक छोटा, सघन पिंड (जैसे न्यूट्रॉन स्टार) एक विशाल ब्लैक होल में प्रवेश करने के लिए स्पाइरल करता है। यह भविष्य के अंतरिक्ष-आधारित गुरुत्वाकर्षण तरंग डिटेक्टरों के लिए एक महत्वपूर्ण समस्या है। यहाँ का भौतिक विज्ञान अविश्वसनीय रूप से संवेदनशील है; यदि आपके समीकरण में एक छोटी सी भी त्रुटि है, तो यह कुछ सेकंड के लिए ठीक लग सकता है, लेकिन हजारों कक्षाओं के बाद, वह छोटी सी त्रुटि जमा होती जाती है, और ब्लैक होल का अनुमानित पथ पूरी तरह से गलत हो जाता है।

इस परीक्षण में, MOT-SR को एक ज्ञात सन्निकटन (PN5) को ठीक करने के लिए एक सुधार सूत्र खोजने का काम सौंपा गया था जो थोड़ा गलत था। सिस्टम ने एक संक्षिप्त सिंबोलिक सुधार खोज निकाला। जब उन्होंने इस नए सूत्र का परीक्षण 30 पूरी तरह से अनदेखी ब्लैक होल कॉन्फ़िगरेशन (ऐसी स्थितियाँ जिन्हें AI ने प्रशिक्षण के दौरान कभी नहीं देखा था) पर किया, तो इसने उल्लेखनीय रूप से अच्छा प्रदर्शन किया।

MOT-SR सुधार की त्रुटि पिछले सर्वश्रेष्ठ AI पद्धति (LLM-SR) से लगभग 26.8 गुना कम थी।
यह एक न्यूरल नेटवर्क बेसलाइन से लगभग तीन आदेशों की मात्रा (three orders of magnitude) (1,000 गुना) बेहतर था।
सबसे महत्वपूर्ण बात यह है कि जैसे-जैसे सिमुलेशन लंबे समय तक चलता गया (वर्षों के समय का अनुकरण करते हुए), न्यूरल नेटवर्क बेसलाइन की त्रुटियां तेजी से बढ़ीं, जबकि MOT-SR की त्रुटि छोटी और स्थिर रही।

इसका क्या अर्थ है

यह शोध पत्र सुझाव देता है कि विज्ञान में AI की पूर्ण क्षमता को अनलॉक करने की कुंजी केवल AI को "स्मार्ट" बनाना या उसे अधिक डेटा देना नहीं है। यह उसे डेटा का विश्लेषण करने के लिए सही उपकरण (tools) देना और उसे सटीकता के साथ सरलता और मजबूती (robustness) को संतुलित करने के लिए मजबूर करना है। मानव वैज्ञानिक प्रक्रिया की नकल करके—डेटा का विश्लेषण करना, परिकल्पना बनाना और कई मानदंडों के विरुद्ध उनका परीक्षण करना—MOT-SR ऐसे समीकरण खोज सकता है जो न केवल गणितीय रूप से सही हैं, बल्कि भौतिक रूप से सार्थक और लंबे समय तक विश्वसनीय भी हैं।

लेखक सावधानी बरतते हुए कहते हैं कि यह एक सिमुलेशन और बेंचमार्क अध्ययन है; उन्होंने अभी तक दुनिया बदलने वाला कोई नया भौतिक नियम नहीं खोजा है, लेकिन उन्होंने इसके लिए एक शक्तिशाली नया तरीका प्रदर्शित किया है। वे यह भी बताते हैं कि उनका वर्तमान सिस्टम उपकरणों और उद्देश्यों के एक निश्चित सेट पर निर्भर करता है, और भविष्य के कार्यों को नए उपकरणों की खोज को स्वचालित करने और यहाँ तक कि अधिक जटिल, उच्च-आयामी डेटा को संभालने की आवश्यकता होगी। हालाँकि, EMRI समस्या पर सफलता यह सुझाव देती है कि यह दृष्टिकोण जटिल, दीर्घकालिक वैज्ञानिक गतिकी (dynamics) को मॉडल करने के लिए, जहाँ सटीकता ही सब कुछ है, एक गेम-चेंजर हो सकता है।

तकनीकी सारांश: MOT-SR

समस्या विवरण

सिम्बोलिक रिग्रेशन (SR) अवलोकन संबंधी डेटा से संक्षिप्त, व्याख्या योग्य गणितीय समीकरणों की खोज करने का लक्ष्य रखता है, जो जटिल वैज्ञानिक प्रणालियों को समझने के लिए एक महत्वपूर्ण कार्य है। हालांकि हाल के दृष्टिकोण जो लार्ज लैंग्वेज मॉडल्स (LLMs) का लाभ उठाते हैं, आशाजनक दिखते हैं, वे दो प्राथमिक सीमाओं का सामना करते हैं:

व्यवस्थित डेटा विश्लेषण का अभाव: मौजूदा LLM-आधारित SR विधियाँ अक्सर समर्पित तंत्र के बिना केवल समस्या विवरणों पर संदर्भ के रूप में निर्भर करती हैं जो चर निर्भरता (जैसे, रैखिकता, आवधिकता, कार्य-कारण) को उजागर कर सके। इसके परिणामस्वरूप खराब रूप से नियंत्रित खोज स्थान और अक्षम समीकरण अन्वेषण होता है।
एकल-उद्देश्य मूल्यांकन: अधिकांश विधियाँ केवल फिटिंग त्रुटि (जैसे, NMSE को कम करना) के लिए अनुकूलन करती हैं, संरचनात्मक जटिलता और सामान्यीकरण की उपेक्षा करती हैं। यह प्रवृत्ति अक्सर ओवरफिटिंग, स्थानीय इष्टतम (local optima) तक समय पूर्व अभिसरण, और समीकरण स्थान को प्रभावी ढंग से खोजने की क्षमता में कमी का कारण बनती है।

कार्यप्रणाली: MOT-SR फ्रेमवर्क

लेखक मल्टी-ऑब्जेक्टिव टूल-ऑगमेंटेड सिम्बोलिक रिग्रेशन (MOT-SR) का प्रस्ताव करते हैं, जो एक एकीकृत ढांचा है जो बाहरी विश्लेषणात्मक उपकरणों, बहु-उद्देश्यीय मूल्यांकन और सहयोगात्मक LLMs को एकीकृत करता है। यह प्रणाली तीन मुख्य घटकों से युक्त एक क्लोज्ड-लूप, पुनरावृत्ति प्रक्रिया (चित्र 1) के रूप में कार्य करती है:

1. टूल-ऑगमेंटेड वेरिएबल विश्लेषण

MOT-SR संरचनात्मक पूर्ववृत्त (structural priors) और चर संबंधों को निकालने के लिए विश्लेषणात्मक उपकरणों के एक समूह का उपयोग करता है, जिन्हें LLM के लिए प्राकृतिक भाषा मार्गदर्शन में संकुचित किया जाता है। इन उपकरणों में शामिल हैं:

रैखिक सहसंबंध (Linear Correlation): पियर्सन सहसंबंध, सरल रैखिक प्रतिगमन, और PCA-आधारित विचरण विश्लेषण।
गैर-रैखिक निर्भरता (Nonlinear Dependency): स्पियरमैन रैंक सहसंबंध, म्यूचुअल इंफॉर्मेशन, और म्यूचुअल इंफॉर्मेशन रिग्रेशन।
समय-आवृत्ति विश्लेषण (Time-Frequency Analysis): आवधिकता का पता लगाने के लिए फास्ट फूरियर ट्रांसफॉर्म (FFT) और वेवलेट ट्रांसफॉर्म ऊर्जा स्पेक्ट्रा।
कार्य-कारण अनुमान (Causal Inference): ग्रेंजर कॉज़ैलिटी और कन्वर्जेंट क्रॉस मैपिंग (CCM)।
गतिक जटिलता (Dynamic Complexity): लियापुनोव एक्सपोनेंट्स, कोरिलेशन डायमेंशन, और डायनेमिक टाइम वार्पिंग (DTW)।
वितरण निरंतरता (Distribution Consistency): वितरण संबंधी बदलावों का पता लगाने के लिए कोलमोगोरोव-स्मिरनोव (KS) परीक्षण।

2. बहु-उद्देश्यीय मूल्यांकन

केवल फिटिंग त्रुटि के लिए अनुकूलन करने के बजाय, MOT-SR नॉन-डोमिनेटेड सॉर्टिंग के माध्यम से एक गतिशील पारेटो फ्रंट (Pareto front) बनाए रखने के लिए तीन उद्देश्यों को संयुक्त रूप से अनुकूलित करता है:

इन-डोमेन (ID) सटीकता: प्रशिक्षण डेटा के केंद्रीय उपसमुच्चय ( $D^{ID}_{train}$ ) पर नॉर्मलाइज्ड मीन स्क्वेर्ड एरर (NMSE)।
आउट-ऑफ-डोमेन (OOD) सामान्यीकरण: प्रशिक्षण डेटा के परिधीय क्षेत्रों ( $D^{OOD}_{train}$ ) पर NMSE, जो खोज के दौरान होल्ड-आउट टेस्ट डेटा का उपयोग किए बिना वितरण संबंधी बदलावों के प्रति मजबूती के प्रॉक्सी के रूप में कार्य करता है।
समीकरण जटिलता: एब्स्ट्रैक्ट सिंटैक्स ट्री (AST) की लंबाई द्वारा मापी जाती है, जो व्याख्यात्मकता और संक्षिप्तता को बढ़ावा देती है।

3. सहयोगात्मक LLM विकास

यह फ्रेमवर्क दो सहयोगात्मक LLM मॉड्यूल का उपयोग करता है:

मेटा स्ट्रैटेजी जनरेटर ( $\pi_{stg}$ ): वर्तमान पारेटो-इष्टतम उम्मीदवारों के अवशेषों (residuals) का विश्लेषण करता है, विश्लेषणात्मक उपकरणों को लागू करता है, और खोज रणनीति तैयार करने के लिए संरचनात्मक अमूर्तता (सामान्यता निष्कर्षण, विषमता विश्लेषण, ब्लाइंड स्पॉट डिस्कवरी) करता है।
इक्वेशन जनरेटर ( $\pi_{eq}$ ): रणनीति प्राप्त करता है और नए उम्मीदवार समीकरण उत्पन्न करने के लिए विविधता-जागरूक पैरेंट चयन (AST सबट्री ओवरलैप के आधार पर) करता है। इन उम्मीदवारों का मूल्यांकन किया जाता है और पारेटो फ्रंट में एकीकृत किया जाता है।

मुख्य योगदान

एकीकृत ढांचा: MOT-SR पहला SR फ्रेमवर्क है जो संरचनात्मक पूर्ववृत्त निष्कर्षण के लिए बाहरी वैज्ञानिक उपकरणों को बहु-उद्देश्यीय मूल्यांकन तंत्र के साथ व्यवस्थित रूप से एकीकृत करता है, जो सहयोगात्मक LLMs द्वारा निर्देशित है।
बहु-उद्देश्यीय अनुकूलन: यह सटीकता, सामान्यीकरण और जटिलता के बीच संतुलन बनाने के लिए एक पारेटो-आधारित चयन रणनीति पेश करता है, जो समय पूर्व अभिसरण और संरचनात्मक रूप से जटिल समाधानों को रोकता है।
क्लोज्ड-लूप वैज्ञानिक मॉडलिंग: यह सिस्टम स्थिर प्रॉम्प्ट्स पर निर्भर रहने के बजाय डेटा का विश्लेषण करने, खोज रणनीतियों को परिष्कृत करने और समीकरण उत्पन्न करने की मानवीय वैज्ञानिक प्रक्रिया की नकल करता है।
वास्तविक दुनिया का अनुप्रयोग: लेखकों ने एक्सट्रीम मास-रेशियो इनस्पायरल (EMRI) कक्षीय मॉडलिंग पर MOT-SR को लागू किया है, जो अंतरिक्ष-आधारित गुरुत्वाकर्षण तरंग खगोल विज्ञान में एक चुनौतीपूर्ण समस्या है जहाँ छोटे स्थानीय त्रुटियां दीर्घकालिक विकास के दौरान संचित होती हैं।

प्रयोगात्मक परिणाम

लेखकों ने पांच बेंचमार्क (चार मानक कार्य और एक रसायन विज्ञान डेटासेट) और EMRI कक्षीय मॉडलिंग कार्य पर पांच बेंचमार्क पर LLaMA-3.1 और GPT-4o-mini दोनों का उपयोग करके MOT-SR का मूल्यांकन किया।

बेंचमार्क प्रदर्शन: 40 मानक कार्यों में, MOT-SR ने शास्त्रीय विधियों (जैसे, PySR, GPleaRn) और हाल के LLM-आधारित बेसलाइन्स (जैसे, LLM-SR, LaSR) को लगातार पछाड़ दिया। इसने काफी कम NMSE और उच्च सटीकता प्राप्त की (उदाहरण के लिए, Oscillation 1 पर $1.27 \times 10^{-15}$ NMSE बनाम LLM-SR के लिए $2.55 \times 10^{-5}$ तक पहुँचना)।
सामान्यीकरण: MOT-SR ने आउट-ऑफ-डोमेन (OOD) टेस्ट सेट्स पर उत्कृष्ट सामान्यीकरण प्रदर्शित किया, बेसलाइन्स की तुलना में कई गुना कम NMSE मान प्राप्त किया। यह खोज चरण के दौरान OOD प्रदर्शन के स्पष्ट अनुकूलन के कारण है।
दक्षता: विधि बेसलाइन्स की तुलना में उच्च-गुणवत्ता वाले समाधानों तक तेजी से पहुँची, अक्सर दूसरों के 2000 के मुकाबले पहले 1000 पुनरावृत्तियों के भीतर सर्वोत्तम परिणाम प्राप्त कर लिया।
EMRI केस स्टडी: EMRI कक्षीय विकास के मॉडलिंग में, MOT-SR ने एक संक्षिप्त सिम्बोलिक सुधार की खोज की जिसने न्यूरल रेसिडुअल बेसलाइन की तुलना में प्रक्षेपवक्र-स्तर (trajectory-level) एकीकरण त्रुटि को लगभग तीन गुना कम कर दिया और LLM-SR की तुलना में 26.8 गुना कम कर दिया। महत्वपूर्ण रूप से, यह सुधार उन 30 होल्ड-आउट कॉन्फ़िगरेशन पर भी प्रभावी रहा जो खोज के दौरान अनदेखे थे, जो भौतिक विन्यासों में हस्तांतरणीयता को प्रदर्शित करता है।

महत्व और दावे

पेपर का दावा है कि MOT-SR जटिल वैज्ञानिक गतिकी के विश्वसनीय, व्याख्या योग्य मॉडल बनाने के लिए टूल-ऑगमेंटेड, मल्टी-ऑब्जेक्टिव इक्वेशन डिस्कवरी की क्षमता को प्रदर्शित करता है। एकल-उद्देश्य फिटिंग और स्थिर प्रॉम्प्टिंग से आगे बढ़कर, MOT-SR ऐसे समीकरणों की खोज सक्षम करता है जो न केवल सटीक हैं बल्कि सामान्यीकरण योग्य और संरचनात्मक रूप से सुदृढ़ भी हैं।

लेखक इस बात पर जोर देते हैं कि खोजा गया EMRI सुधार होल्ड-आउट कॉन्फ़िगरेशन पर सबसे कम प्रक्षेपवक्र-स्तर एकीकरण त्रुटि प्राप्त करता है, जो बताता है कि MOT-SR ऐसे हस्तांतरणीय सुधार संरचनाओं को पुनः प्राप्त कर सकता है जो लंबे क्षितिज और अनदेखे भौतिक परिदृश्यों में विश्वसनीय रहते हैं। यह फ्रेमवर्क को उन कठिन वैज्ञानिक गतिशील प्रणालियों के लिए एक व्यवहार्य उपकरण के रूप में स्थापित करता जहाँ व्याख्यात्मकता और दीर्घकालिक स्थिरता सर्वोपरि है।

पेपर सीमाओं को स्वीकार करता है, जिसमें मूल्यांकन उद्देश्यों के एक निश्चित सेट और मैन्युअल रूप से निर्दिष्ट उपकरणों पर इसकी वर्तमान निर्भरता का उल्लेख है, और भविष्य के कार्य के रूप में टूल डिस्कवरी को स्वचालित करने और ढांचे को उच्च-आयामी डेटा तक विस्तारित करने की योजना बनाई गई है।