NestyNet. III. Symbolic Regression from Analytic Neural Surrogates
NestyNet-SR is een nieuw symbolisch regressiekader dat analytische neurale surrogaten gebruikt om complexe data recursief te ontbinden in scheidbare componenten, die vervolgens worden gedestilleerd tot exacte gesloten vorm-expressies, waarmee het een state-of-the-art prestatie levert op benchmarks en succesvol fundamentele natuurwetten herontdekt uit echte astronomische data.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De natuur verbergt haar eenvoudigste regels vaak achter een sluier van complexiteit. Een natuurkundige wet kan eruitzien als een verstrengelde knoop van variabelen wanneer deze in ruwe data wordt gepresenteerd, maar het zou een enkele, elegante zin kunnen zijn als we slechts wisten hoe we moesten kijken. Eeuwenlang hebben wetenschappers vertrouwd op de menselijke intuïtie om die juiste manier van kijken te vinden, om de knoop te ontwarren en de zuivere structuur eronder te onthullen. Maar naarmate het universum ons voorziet van meer data en meer ingewikkelde systemen, kunnen onze onversterkte geesten moeite hebben om het patroon te zien. De vraag is geworden of machines ons kunnen helpen om een veel breder scala aan mogelijkheden te verkennen, waarbij ze relaties ontdekken die perfect bij de data passen en zelfs kunnen voorspellen hoe dingen zich gedragen in nieuwe situaties die we nog nooit eerder hebben gezien. Dit is het doel van een veld genaamd symbolische regressie: de zoektocht naar de werkelijke wiskundige zinnen die de wereld beschrijven, in plaats van alleen het aanpassen van een curve aan een grafiek.
De uitdaging is dat het aantal mogelijke zinnen zo groot is dat het doorzoeken ervan één voor één onmogelijk is. Het is alsof je probeert een specifief boek te vinden in een bibliotheek waar elke plank elke mogbare combinatie van woorden bevat. Om dit op te lossen, hebben onderzoeker Rodrigo Ibata en zijn team een nieuwe methode ontwikkeld genaamd NestyNet-SR. In plaats van willekeurige zinnen te gokken, bouwt hun systeem eerst een uiterst nauwkeurig, flexibel model van de data met behulp van een type kunstmatig neuraal netwerk. Dit model fungeert als een surrogaat, een plaatsvervanger die de data intiem kent. De cruciale innovatie is dat dit surrogaat is ontworpen om wiskundig transparant te zijn; het stelt de onderzoekers in staat om exact te berekenen hoe de output verandert wanneer ze de inputs aanpassen, tot in de kleinste details. Door deze veranderingen te bestuderen, kan het systeem detecteren of de data kan worden opgedeeld in simpelere, onafhankelijke delen. Het stelt vragen zoals: hangt dit deel van het systeem alleen af van temperatuur, terwijl dat deel alleen afhangt van druk? Of is er een verborgen combinatie van variabelen, zoals een specifieke ratio of een som, die het geheel eenvoudig laat gedragen?
Zodra het systeem deze simpelere bouwstenen heeft geïdentificeerd, gaat het over naar de tweede fase: het terugvertalen naar een voor mensen leesbare taal. Dit is waar de methode uitblinkt. Het zoekt niet alleen naar een enkele perfecte formule; het scheidt de zoektocht naar de structuur van de zoektocht naar de getallen. Stel je voor dat je de vorm van een sleutel probeert te vinden zonder de exacte grootte van de tanden te kennen. Het systeem vindt eerst de vorm — het skelet van de vergelijking — en past vervolgens de precieze getallen aan. Deze aanpak stelt het in staat om complexe lagen van nesting te hanteren die andere methoden meestal in de war brengen. Het kan ontdekken dat een relatie een sinusgolf, een vierkantswortel of een machtswet omvat, en dat kan doen zelfs wanneer de data ruis bevat of afkomstig is van meerdere verschillende experimenten tegelijk. Het systeem is ook strikt wat betreft de fysieke realiteit; het controleert of de eenheden van meting logisch zijn, om te voorkomen dat een formule per ongeluk meters bij seconden optelt.
Het team testte hun methode op een beroemde set van 1bo physics-vergelijkingen, bekend als de AI Feynman benchmark, die ontworpen zijn om moeilijk voor computers oplosbaar te zijn. In een wereld zonder ruis slaagde het systeem erin om elke een van de 120 vergelijkingen exact te herstellen, een primeur voor dit type benchmark. Dit deed het door de verborgen interne coördinaten te vinden die de complexe vergelijkingen eenvoudig lieten lijken. Wanneer ze realistische ruis aan de data toevoegden, om de imperfecties van echte metingen te simuleren, slaagde het systeem er nog steeds in om de juiste structuur te vinden voor bijna de helft van de problemen, en kon het de onderzoekers vertellen welke delen van de structuur nog steeds betrouwbaar waren. Dit vermogen om onderscheid te maken tussen een ware wet en een gelukkige gok is een belangrijke stap voorwaarts.
Om te bewijzen dat de methode werkt op echte astronomische data, pasten de onderzoekers het toe op een collectie spiraalstelsels uit de SPARC-survey. Ze gaven de computer alleen de afzonderlijke bijdragen van gas en sterren aan de rotatie van het stelsel, zonder te vertellen hoe deze te combineren. Het systeem kreeg de opdracht om de regel te vinden die bepaalt hoe deze stelsels draaien. Zonder enige voorafgaande instructies ontdekte het algoritme dat de rotatiesnelheid afhangt van een enkele, gecombineerde maatstaf van versnelling van zowel het gas als de sterren. Het vond de juiste manier om de sterren tegenover het gas af te wegen, waarbij het bekende massa-lichtverhouding van stellaire populaties overeenkwam. Bovendien bevestigde het dat de relatie tussen de waargenomen beweging en deze gecombineerde versnelling een specifieke, niet-unieke vorm volgt die al jaren in de astronomie wordt bediscussieerd. Het systeem leverde ook een statistische maatstaf voor de mate van vertrouwen in de helling van deze relatie, waarmee werd aangetoond dat de diepe, traag bewegende delen van het stelsel een andere regel volgen dan de snelle buitenranden.
Dit werk demonstreert dat door nauwkeurige wiskundige surrogaten te combineren met een slimme, gelaagde zoekstrategie, we van ruwe data naar interpreteerbare natuurwetten kunnen bewegen. Het systeem voorspelt niet alleen getallen; het onthult de structuur van het universum, en laat zien dat zelfs in de complexe dans van sterrenstelsels eenvoudige, ontdekbare regels wachten om gevonden te worden als we weten hoe we moeten kijken. De onderzoekers hebben hun code en data beschikbaar gesteld, zodat anderen deze methoden kunnen testen op hun eigen problemen, van de beweging van planeten tot het gedrag van vloeistoffen. De weg van een neuraal netwerk naar een gesloten vormvergelijking is niet langer een mysterie; het is een praktische route naar het begrijpen van de fundamentele wetten die onze wereld beheersen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.