⚛️ lattice

Symbolic Density Estimators for Unnormalized Distributions

यह शोध पत्र एक ऐसे ढांचे को प्रस्तुत करता है जो देखे गए नमूनों (samples) से अननॉर्मलाइज्ड (unnormalized) संभाव्यता वितरणों के व्याख्या योग्य, प्रतीकात्मक रूपों का अनुमान लगाने के लिए डीप जेनरेटिव मॉडल्स को सिम्बोलिक रिग्रेशन के साथ जोड़ता है, जो मल्टीवेरिएट टॉय डेटा और XY मॉडल एवं $\phi^4$ थ्योरी जैसे जटिल कम्प्यूटेशनल भौतिकी प्रणालियों पर इसकी प्रभावशीलता को प्रदर्शित करता है।

मूल लेखक: Vikas Kanaujia, Riyansha Singh, Shashank Sharma, Vipul Arora

प्रकाशित 2026-10-09

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vikas Kanaujia, Riyansha Singh, Shashank Sharma, Vipul Arora

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

भौतिक विज्ञान में, दुनिया कैसे काम करती है इसे समझने के लिए अक्सर इस बात का वर्णन करना पड़ता है कि चीजें किस प्रकार व्यवहार करने की संभावना रखती हैं। एक ऐसी प्रणाली की कल्पना करें जो अनगिनत सूक्ष्म भागों से बनी है, जैसे किसी ठोस में परमाणु या किसी चुंबकीय पदार्थ में स्पिन। ये भाग यादृच्छिक (random) रूप से नहीं चलते; वे उन नियमों का पालन करते हैं जो सिस्टम की कुछ व्यवस्थाओं को बहुत अधिक संभावित बनाते हैं। वैज्ञानिक इन संभावनाओं को एक गणितीय मानचित्र के रूप में वर्णित करते हैं जिसे 'प्रोबेबिलिटी डिस्ट्रीब्यूशन' कहा जाता है। इस मानचित्र के भीतर, ऊर्जा का एक छिपा हुआ परिदृश्य होता है, जहाँ सिस्टम स्वाभाविक रूप से सबसे निचली घाटियों में बस जाता है। यह ऊर्जा परिदृश्य, जिसे अक्सर हैमिल्टनियन (Hamiltonian) कहा जाता है, इस बात की भविष्यवाणी करने की कुंजी है कि सिस्टम ऊष्मा, दबाव या समय के प्रति कैसी प्रतिक्रिया देगा। दशकों से, भौतिक विज्ञानी इन ऊर्जा परिदृश्यों का वर्णन करने वाले समीकरण लिखने के लिए अपनी अंतर्दृष्टि और गहन सैद्धांतिक ज्ञान पर भरोसा करते आए हैं। वे समीकरण के रूप का अनुमान लगाते थे और फिर देखे गए डेटा के अनुरूप संख्याओं को ठीक करते थे। हालांकि यह दृष्टिकोण अच्छी तरह से काम करता रहा है, लेकिन यह धीमा, श्रमसाध्य और पूरी तरह से मानवीय विशेषज्ञता पर निर्भर है। यदि अंतर्निहित नियम बहुत जटिल हैं या सिस्टम ऐसे तरीकों से व्यवहार करता है जो सरल अनुमानों को चुनौती देते हैं, तो पारंपरिक पद्धति विफल हो जाती है।

IIT कानपुर और KU Leuven के शोधकर्ताओं की एक टीम ने इस मानवीय बाधा को दूर करने का एक नया तरीका विकसित किया है। उन्होंने एक ऐसा ढांचा तैयार किया है जो कंप्यूटर को एक जटिल प्रणाली के कच्चे डेटा (raw data) को देखने और उसके ऊर्जा का वर्णन करने वाले गणितीय समीकरण को स्वतः लिखने की अनुमति देता है। यह केवल बिंदुओं के अनुकूल एक वक्र (curve) खोजने के बारे में नहीं है; यह भौतिकी की स्वयं की प्रतीकात्मक भाषा की खोज करने के बारे में है। शोधकर्ताओं ने दो शक्तिशाली प्रकार के कृत्रिम बुद्धिमत्ता (AI) को संयोजित किया। सबसे पहले, उन्होंने 'डीप जेनेरेटिव मॉडल्स' का उपयोग किया, जो जटिल डेटा बादलों के आकार को सीखने और हमें यह बताने में उत्कृष्ट हैं कि कणों की कोई विशिष्ट व्यवस्था कितनी संभावित है। दूसरा, उन्होंने 'सिंबोलिक रिग्रेशन' का उपयोग किया, जो केवल ब्लैक-बॉक्स भविष्यवाणियों के बजाय सरल, पठनीय गणितीय सूत्रों की खोज करने वाली एक तकनीक है। पहले AI से प्राप्त अंतर्दृष्टि को दूसरे में फीड करके, यह प्रणाली भौतिक प्रणाली के अव्यवस्थित, उच्च-आयामी डेटा को एक स्वच्छ, व्याख्या योग्य समीकरण में अनुवादित कर सकती है।

शोधकर्ताओं ने सरल खिलौना वितरण (toy distributions) से लेकर कम्प्यूटेशनल भौतिकी में उपयोग किए जाने वाले जटिल मॉडलों तक, कई चुनौतीपूर्ण परिदृश्यों पर इस पद्धति का परीक्षण किया। प्रयोगों के एक सेट में, उन्होंने कई "वेल" (wells), या गहरे ऊर्जा कुंडों वाले सिस्टमों का अध्ययन किया, जो मैपिंग के लिए अत्यंत कठिन होते हैं क्योंकि डेटा कई अलग-अलग अवस्थाओं में बिखरा होता है। उन्होंने XY मॉडल का भी परीक्षण किया, जो भौतिकी की एक क्लासिक समस्या है जो बताती है कि ग्रिड पर स्पिन कैसे परस्पर क्रिया करते हैं, और $\phi^4$ थ्योरी, जिसका उपयोग यह अध्ययन करने के लिए किया जाता है कि कण भौतिकी में क्षेत्र (fields) कैसे व्यवहार करते हैं। प्रत्येक मामले में, ढांचे ने डेटा से सीधे अंतर्निहित ऊर्जा समीकरणों को सफलतापूर्वक पुनः प्राप्त किया। सरल प्रणालियों के लिए, कंप्यूटर ने उन सूत्रों के प्रतीकात्मक अनुमानों को खोज निकाला जिन्हें मानव विशेषज्ञों ने लिखा होता, लेकिन बिना किसी पूर्व ज्ञान के कि वे सूत्र कैसे दिखने चाहिए। इसने चरों के बीच संबंधों और उन्हें नियंत्रित करने वाली विशिष्ट संख्याओं की सही पहचान की, भले ही डेटा उच्च-आयामी और शोर युक्त (noisy) था, हालांकि परिणामों को सटीक पहचान के बजाय संक्षिप्त प्रतीकात्मक सन्निकटन (approximations) के रूप में समझा जाना सबसे अच्छा है।

यह कार्य विशेष रूप से महत्वपूर्ण है क्योंकि यह समस्या के सबसे कठिन हिस्से को कैसे संभालता है: चरों की विशाल संख्या। हजारों परस्पर क्रिया करने वाले भागों वाली प्रणालियों में, एक गणितीय सूत्र के लिए खोज स्थान (search space) असंभव रूप से बड़ा हो जाता है। इसे हल करने के लिए, शोधकर्ताओं ने सिस्टम को छोटे, स्थानीय पैच में तोड़ने की रणनीति पेश की। पूरे सिस्टम के लिए एक विशाल समीकरण खोजने के बजाय, AI परस्पर क्रिया करने वाले भागों के छोटे पड़ोस को देखता है, उस छोटे टुकड़े के लिए नियम खोजता है, और फिर उन नियमों को आपस में जोड़ देता है। इस दृष्टिकोण ने, डेटा में नियंत्रित शोर (noise) जोड़ने की तकनीक के साथ—जो यह सुनिश्चित करता है कि AI दुर्लभ लेकिन महत्वपूर्ण उच्च-ऊर्जा अवस्थाओं को देख सके—इस प्रणाली को उच्च-आयामी सेटिंग्स में प्रभावी ढंग से काम करने की अनुमति दी जहाँ अन्य विधियाँ विफल हो जाती हैं। परिणामों ने दिखाया कि प्रस्तावित ढांचा ऊर्जा फलन (energy function) के संक्षिप्त, प्रतीकात्मक सन्निकटन का अनुमान लगा सकता है जो न केवल सटीक थे बल्कि भौतिक रूप से सार्थक भी थे।

टीम ने 'रेनॉर्मलाइजेशन' (renormalization) नामक एक समस्या पर भी अपने तरीके को लागू किया, जो एक मानचित्र पर ज़ूम आउट करने के समान है ताकि सूक्ष्म विवरणों को अनदेखा करते हुए बड़े चित्र को देखा जा सके। भौतिकी में, इसमें एक बारीक-दाने वाली प्रणाली को लेना और एक सरल, प्रभावी संस्करण बनाना शामिल है जो बड़े पैमाने पर उसी तरह व्यवहार करता है। पारंपरिक रूप से, इस बड़े पैमाने वाले संस्करण के समीकरण को व्युत्पन्न करना एक विशाल विश्लेषणात्मक चुनौती है, जो अक्सर जटिल, गैर-परटर्बेटिव (non-perturbative) क्षेत्रों में हाथ से हल करना असंभव होता है। शोधकर्ताओं ने अपने ढांचे को एक मोटे-दाने वाले लैटिस (coarse-grained lattice) से डेटा दिया और इसे नए ऊर्जा समीकरण को खोजने के लिए कहा। सिस्टम ने सफलतापूर्वक ऐसे प्रतीकात्मक अभिव्यक्तियों का उत्पादन किया जो विभिन्न पैमानों पर मूल प्रणाली के व्यवहार से मेल खाते थे। ये अभिव्यक्तियाँ ज्ञात भौतिकी के अनुरूप थीं और सिस्टम के सही सांख्यिकीय गुणों को पुनरुत्पादित करती थीं, जो यह प्रदर्शित करता है कि यह ढांचा सीधे डेटा से प्रभावी प्राकृतिक नियमों को उजागर कर सकता है, भले ही अंतर्निहित व्युत्पत्ति पारंपरिक विश्लेषणात्मक तरीकों के लिए बहुत जटिल हो।

अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि यह केवल एक 'कर्व-फिटिंग' अभ्यास है। शोधकर्ताओं ने अपने दृष्टिकोण की तुलना मौजूदा विधियों से की जो निर्माण खंडों (building blocks) के एक निश्चित सेट के आधार पर समीकरण के रूप में का अनुमान लगाने की कोशिश करती हैं। वे पुरानी विधियाँ अक्सर अभिसरण (converge) करने में विफल रहती थीं या गलत गुणांकों और अतिरिक्त, अवांछित पदों के साथ समीकरण बनाती थीं जो वहां नहीं होने चाहिए थे। इसके विपरीत, नए ढांचे ने, डीप लर्निंग को सिंबोलिक सर्च के साथ एकीकृत करके और स्थानीय गुणनखंड (local factorization) का उपयोग करके, लगातार सही संरचना पाई। शोधकर्ताओं ने उल्लेख किया कि हालांकि यह विधि कुछ पूर्व ज्ञान पर निर्भर करती है, जैसे कि यह जानना कि किस प्रकार के गणितीय फलन भौतिक रूप से प्रासंगिक हैं, लेकिन इसे पहले से उत्तर जानने की आवश्यकता नहीं है। परिणाम कई यादृच्छिक परीक्षणों में सुदृढ़ रहे, जिससे पता चला कि ढांचा विश्वसनीय रूप से सही अंतःक्रियाओं की खोज करता है और अप्रासंगिक अंतःक्रियाओं को दबा देता है।

अंततः, यह कार्य वैज्ञानिक खोज के लिए एक नया मार्ग प्रदान करता है। यह सुझाव देता है कि हम जटिल प्रणालियों को नियंत्रित करने वाले नियमों को तैयार करने के लिए मानवीय अंतर्दृष्टि की सीमाओं से आगे बढ़ सकते हैं। प्रकृति की गणितीय भाषा को स्वचालित करने के माध्यम से, यह ढांचा वैज्ञानिकों को विशाल डेटासेट का विश्लेषण करने के लिए मशीन लर्निंग की शक्ति का उपयोग करने की अनुमति देता है, जबकि अभी भी एक मानव-पठनीय समीकरण की स्पष्टता और अंतर्दृष्टि को बनाए रखता है। शोधकर्ताओं ने प्रदर्शित किया कि यह दृष्टिकोण सरल सांख्यिकीय वितरणों से लेकर कण भौतिकी के जटिल लैटिस तक, विविध प्रणालियों के लिए काम करता है, जो एक ऐसा उपकरण प्रदान करता है जो उन ऊर्जा फलनों का अनुमान लगा सकता है जिन्हें पहले विश्लेषणात्मक रूप से मॉडल करना बहुत कठिन था। निष्कर्ष बताते हैं कि सही संयोजन के साथ डीप लर्निंग और सिंबोलिक रीजनिंग, हम डेटा द्वारा छोड़े गए छिपे हुए नियमों को सीधे उजागर कर सकते हैं।

तकनीकी सारांश: अननॉर्मलाइज्ड डिस्ट्रीब्यूशन के लिए सिम्बोलिक डेंसिटी एस्टिमेटर्स

समस्या विवरण
प्रेक्षित नमूनों (observed samples) से संभाव्यता घनत्व फलनों (probability density functions - PDFs) के प्रतीकात्मक या विश्लेषणात्मक रूप का अनुमान लगाना सांख्यिकीय और कम्प्यूटेशनल मॉडलिंग में एक मौलिक चुनौती है। जबकि डीप जेनरेटिव मॉडल (जैसे नॉर्मलाइजिंग फ्लो और स्कोर-आधारित मॉडल) जटिल वितरणों से नमूने लेने में उत्कृष्ट हैं, वे "ब्लैक बॉक्स" एस्टिमेटर के रूप में कार्य करते हैं जो अंतर्निहित ऊर्जा फलनों या हैमिल्टोनियन ( $H(x)$ ) के लिए व्याख्या योग्य विश्लेषणात्मक अभिव्यक्तियों को प्रदान नहीं करते हैं। इसके विपरीत, पारंपरिक सिम्बोलिक रिग्रेशन (SR) विधियाँ उच्च-आयामी डेटा तक स्केल करने में संघर्ष करती हैं और अक्सर तब विफल हो जाती हैं जब वितरण अननॉर्मलाइज्ड हो या जब सर्च स्पेस बहुत बड़ा हो। मुख्य समस्या जिसे संबोधित किया गया है वह है प्रेक्षित डेटा से सीधे एक अननॉर्मलाइज्ड वितरण के विश्लेषणात्मक, सिम्बोलिक प्रतिनिधित्व का स्वचालित अनुमान लगाना, बिना कार्यात्मक रूपों (functional forms) के चयन के लिए मैनुअल डोमेन विशेषज्ञता पर अत्यधिक निर्भर रहे।

कार्यप्रणाली
लेखक एक दो-चरणीय ढांचे (two-stage framework) का प्रस्ताव करते हैं जो एक अनसुपरवाइज्ड डेंसिटी एस्टिमेशन समस्या को एक सुपरवाइज्ड सिम्बोलिक रिग्रेशन समस्या में बदलने के लिए डीप जेनरेटिव मॉडलिंग को सिम्बोलिक रिग्रेशन के साथ एकीकृत करता है।

जेनरेटिव मॉडलिंग चरण: ढांचा पहले प्रेक्षित नमूनों पर एक डीप जेनरेटिव मॉडल को प्रशिक्षित करता है। लेखक दो प्रकार के मॉडलों का उपयोग करते हैं:
- लाइकलीहुड-आधारित मॉडल (नॉर्मलाइजिंग फ्लो): ये नेगेटिव लॉग-लाइकलीहुड ( $-\log p_\theta(x)$ ) प्रदान करते हैं, जो एक स्थिरांक तक ऊर्जा फलन के लिए लक्ष्य के रूप में कार्य करता है।
- स्कोर-आधारित मॉडल: ये स्कोर फलन $s(x) = \nabla_x \log p(x)$ का अनुमान लगाते हैं। जटिल सिम्बोलिक स्कोर के साथ एकीकरण चुनौतियों को संबोधित करने के लिए, लेखक एक न्यूरल नेटवर्क के माध्यम से सीधे ऊर्जा फलन $H_\theta(x)$ को मॉडल करने और ऑटोमैटिक डिफरेंशिएशन के माध्यम से स्कोर प्राप्त करने का प्रस्ताव करते हैं ( $s_\theta(x) = -\nabla_x H_\theta(x)$ )। लो-डेंसिटी क्षेत्रों में अनुमान में सुधार के लिए डिनोइजिंग स्कोर मैचिंग का उपयोग किया जाता है।
डेटा ऑग्मेंटेशन: एक मजबूत सिम्बोलिक अनुमान सुनिश्चित करने के लिए, ढांचा मूल हाई-डेंसिटी नमूनों को नॉइजी परटर्बेशन्स ( $x' = x + \epsilon$ ) के साथ संवर्धित करता है। यह सुनिश्चित करता है कि SR मॉडल हाई और लो-डेंसिटी दोनों क्षेत्रों से नमूने देखे। यह हाई और लो-डेंसिटी दोनों क्षेत्रों से नमूने देखने के लिए महत्वपूर्ण है, जो स्थिर अनुमान के लिए आवश्यक है।
सिम्बोलिक रिग्रेशन (SR) चरण: जेनरेटिव मॉडल (लॉग-लाइकलीहुड्स या स्कोर फील्ड्स) से प्राप्त आउटपुट SR एल्गोरिदम के लिए लेबल के रूप में कार्य करते हैं। SR कार्य एक संक्षिप्त क्लोज्ड-फॉर्म अभिव्यक्ति $\hat{H}(x)$ खोजना है जो इन लेबल्स को अनुमानित करती है। ढांचा दो SR बैकएंड का उपयोग करता है:
- PySR: एक जेनेटिक प्रोग्रामिंग-आधारित एल्गोरिदम।
- EQL (इक्वेशन लर्नर): स्पार्स रेगुलराइजेशन के साथ एक डीप न्यूरल नेटवर्क-आधारित दृष्टिकोण।
प्रमुख इंडक्टिव बायस (Inductive Biases): उच्च-आयामी प्रणालियों (जैसे लैटिस मॉडल) के लिए समस्या को सुलभ बनाने के लिए, ढांचा तीन विशिष्ट रणनीतियों को शामिल करता है:
- लोकल फैक्टरइजेशन: भौतिक प्रणालियों की स्थानिक स्थानीयता (spatial locality) का लाभ उठाते हुए, वैश्विक हैमिल्टनियन को स्थानीय पैच (जैसे $2\times2$ या $3\times3$ ) में विभाजित किया जाता है। SR कम संख्या में चरों पर स्थानीय ऊर्जा फलन $\hat{h}(x_p)$ का अनुमान लगाता है, जिसे वैश्विक ऊर्जा को पुनर्गठित करने के लिए जोड़ा जाता है।
- टास्क-विशिष्ट प्रिमिटिव्स: सर्च स्पेस को डोमेन-विशिष्ट प्रिमिटिव फलनों (जैसे XY मॉडल के लिए ट्रिगोनोमेट्रिक फंक्शन, $\phi^4$ थ्योरी के लिए पॉलिनोमिअल्स) द्वारा सीमित किया गया है।
- मल्टी-स्केल परटर्बेशन: जैसा कि उल्लेख किया गया है, नमूनों में शोर जोड़ने से स्टेट स्पेस का कवरेज सुधरता है।

मुख्य योगदान

फ्रेमवर्क इंटीग्रेशन: यह पेपर डीप जेनरेटिव मॉडल्स और SR के बीच एक मॉड्यूलर फ्रेमवर्क पेश करता है, जो बिना किसी पूर्व-निर्धारित पैरामेट्रिक फॉर्म के, अननॉर्मलाइज्ड डिस्ट्रीब्यूशन से व्याख्या योग्य ऊर्जा फलनों की खोज करने की अनुमति देता है।
फैक्टरइजेशन के माध्यम से स्केलेबिलिटी: हैमिल्टनियन के स्थानीय फैक्टरइजेशन का उपयोग करके, यह विधि सिम्बोलिक सर्च स्पेस की आयात्मकता को प्रभावी ढंग से कम करती है, जिससे उन उच्च-आयामी लैटिस सिस्टम (जैसे $d=64$ और उससे आगे) के लिए ऊर्जा फलनों का अनुमान लगाना संभव होता है जहाँ मानक SR विफल हो जाता है।
नॉन-पर्टर्बेटिव रिजीम्स को संभालना: ढांचा स्ट्रॉन्गली कपल्ड सिस्टम (विशेष रूप से $\phi^4$ थ्योरी के रेनोर्मालाइजेशन) के लिए प्रभावी हैमिल्टनियन का सफलतापूर्वक अनुमान लगाता है, जहाँ पारंपरिक पर्टर्बेटिव या एनालिटिक व्युत्पन्न चुनौतीपूर्ण या अगम्य होते हैं।
मिसस्पेसिफिकेशन के प्रति मजबूती: प्रयोगों से पता चलता है कि भले ही प्रिमिटिव लाइब्रेरी मिसस्पेसिफाइड हो (उदाहरण के लिए, XY मॉडल के लिए ट्रिगोनोमेट्रिक ऑपरेटर्स को हटाना), ढांचा अभी भी अंतर्निहित इंटरैक्शन के सार्थक पॉलिनोमियल एप्रोक्सिमेशन को रिकवर कर सकता है।

प्रायोगिक परिणाम
कम-आयामी टॉय डिस्ट्रीब्यूशन से लेकर उच्च-आयामी लैटिस फिजिक्स मॉडल तक कई डेटासेट्स पर ढांचे का मूल्यांकन किया गया:

टॉय डिस्ट्रीबशन्स: मल्टीवेरिएट गौसियन और मेनी-वेल डिस्ट्रीबशन्स के लिए, ढांचे ने $d=2$ से $d=64$ तक आयामों में वास्तविक हैमिल्टनियन की लगभग पूर्ण रिकवरी ( $R^2 \approx 1.0, MSE \approx 0$ ) हासिल की। तुलनात्मक परिणाम प्राप्त करने के लिए PySR को EQL ( $10^5$ ) की तुलना में कम नमूनों ( $10^3$ ) की आवश्यकता थी।
XY मॉडल: $8\times8$ लैटिस ( $d=64$ ) पर, ढांचे ने सफलतापूर्वक कोसाइन-आधारित इंटरैक्शन टर्म्स को रिकवर किया। फ्लो-आधारित मॉडल्स ने PySR के साथ मिलकर स्कोर-आधारित मेथड्स और EQL को पीछे छोड़ दिया, जिससे बिना किसी स्प्यूरियस टर्म के उच्च सटीकता और रिकॉल प्राप्त हुआ।
स्केलर $\phi^4$ थ्योरी: पद्धति ने कमजोर और मजबूत कपलिंग दोनों रिजीम्स के लिए स्थानीय हैमिल्टनियन का सटीक अनुमान लगाया। विशेष रूप से, PySR ने लगातार सही नियरएस्ट-नेबर इंटरैक्शन की पहचान की, भले ही बड़े पैच साइज (अधिक वेरिएबल्स पेश करने वाले) का उपयोग किया गया हो, जिससे अप्रासंगिक लॉन्ग-रेंज डिपेंडेंसी को प्रभावी ढंग से दबाया गया।
रेनोर्मालाइजेशन: एक नॉन-पर्टर्बेटिव सेटिंग में, ढांचे ने कोर्स-ग्रेन्ड लैटिस ( $32\times32$ से $8\times8$ तक) के लिए प्रभावी हैमिल्टनियन का अनुमान लगाया। अनुमानित हैमिल्टोनियंस ने उच्च निष्ठा (हिस्टोग्राम ओवरलैप $>98\%$ ) के साथ भौतिक अवलोकनों (मैग्नेटाइजेशन, ससेप्टिबिलिटी) को पुनरुत्पादित किया, जो विश्लेषणात्मक व्युत्पत्ति के बिना कोर्स-ग्रेन्ड डायनेमिक्स को कैप्चर करने की पद्धति की क्षमता को प्रमाणित करता है।
तुलना: प्रस्तावित पद्धति ने बेसलाइन MeSSY से काफी बेहतर प्रदर्शन किया, जो $d>2$ में कन्वर्ज होने में संघर्ष करता था और अक्सर स्प्यूरियस टर्म्स वाले एक्सप्रेशन बनाता था।

महत्व और दावे
लेखक इस कार्य को एक नए SR एल्गोरिदम के रूप में नहीं, बल्कि वैज्ञानिक खोज के लिए एक व्यावहारिक ढांचे के रूप में प्रस्तुत करते हैं। प्राथमिक महत्व सीधे डेटा से जटिल, उच्च-आयामी प्रणालियों के लिए व्याख्या योग्य ऊर्जा फलनों के स्वचालन की क्षमता में निहित है। पेपर दावा करता है कि यह दृष्टिकोण श्रमसाध्य, विशेषज्ञ-संचालित मॉडल फॉर्मूलेशन के लिए एक व्यवहार्य विकल्प प्रदान करता है, विशेष रूप से नॉन-पर्टर्बेटिव रिजीम्स में जहाँ एनालिटिक समाधान उपलब्ध नहीं हैं।

लेखक विनम्रतापूर्वक नोट करते हैं कि ढांचा भौतिक रूप से प्रेरित इंडक्टिव बायस (पैच साइज, प्रिमिटिव लाइब्रेरी) पर निर्भर करता है, और अनुमानित एक्सप्रेशन अंतर्निहित डायनेमिक्स के सटीक प्रतिनिधित्व के बजाय "कॉम्पैक्ट और व्याख्या योग्य सिम्बोलिक एप्रोक्सिमेशन" हैं। वे स्वीकार करते हैं कि स्केलेबिलिटी वर्तमान में SR घटक की बहुत बड़ी संख्या में वेरिएबल्स को संभालने की क्षमता द्वारा सीमित है, जो बहुत बड़े पैच की आवश्यकता वाले सिस्टम में लॉन्ग-रेंज या नॉन-लोकल इंटरैक्शन की खोज को सीमित करती है। भविष्य के कार्य के रूप में जेनरेटिव मॉडल्स में मोड-कवरिंग व्यवहार को संबोधित करने और ढांचे को नॉन-इक्विलिब्रियम सिस्टम तक विस्तारित करने का सुझाव दिया गया है।

इसी तरह के और पेपर