🤖 machine learning

Enhancing Symbolic Regression and Universal Physics-Informed Neural Networks with Dimensional Analysis

Este artigo propõe uma estrutura que integra análise dimensional (especificamente o teorema $\Pi$ de Buckingham e o método de Ipsen) com regressão simbólica e Redes Neurais Universais Informadas pela Física para reduzir custos computacionais, minimizar o sobreajuste e melhorar significativamente a precisão da descoberta de equações governantes a partir de dados limitados ou ruidosos.

Autores originais: Lena Podina, Diba Darooneh, Joshveer Grewal, Mohammad Kohandel

Publicado 2026-06-23

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Lena Podina, Diba Darooneh, Joshveer Grewal, Mohammad Kohandel

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando descobrir a receita secreta de um bolo delicioso, mas tem apenas uma lista de ingredientes e o sabor final, não as instruções. Você quer escrever a fórmula matemática exata que transforma esses ingredientes naquele sabor. Isso é o que os cientistas chamam de Regressão Simbólica: usar computadores para descobrir as equações matemáticas ocultas que explicam como o mundo funciona.

No entanto, essa tarefa é como tentar encontrar uma agulha específica em um palheiro do tamanho de uma montanha. O computador tem que adivinhar bilhões de fórmulas possíveis, o que leva muito tempo e frequentemente leva a respostas erradas (overfitting/sobreajuste).

Este artigo apresenta um truque inteligente para tornar essa busca mais fácil e precisa: a Análise Dimensional. Pense nisso como um "tradutor de unidades" que remove os rótulos confusos (como metros, segundos ou quilogramas) e foca apenas nas relações puras entre os números.

Aqui está como os autores fizeram isso, usando analogias simples:

1. O Problema: Muitas Variáveis

Imagine que você está tentando prever a velocidade de um carro. Você pode observar o tamanho do motor, o peso do carro, a velocidade do vento, a pressão dos pneus e o humor do motorista. Isso são cinco coisas diferentes para lidar. Se você tentar encontrar uma fórmula conectando todas as cinco, vira uma bagunidade.

2. A Solução: Os Filtros "Buckingham $\Pi$ " e "Ipsen"

Os autores usaram dois métodos específicos (nomeados em homenagem aos seus inventores, Buckingham e Ipsen) para simplificar o problema.

A Analogia: Imagine que você está assando um bolo. Em vez de se preocupar com o peso exato da farinha em gramas ou a temperatura exata em Celsius, você percebe que o que importa é a proporção de farinha para açúcar e a proporção de calor para o tempo.
O que o artigo fez: Eles pegaram seus dados complexos e os converteram nessas "proporções" (chamadas de grupos adimensionais). De repente, em vez de lidar com cinco variáveis, o computador só precisava olhar para duas ou três. É como encolher esse enorme palheiro para um pequeno monte de feno.

3. O Experimento: Equações Algébricas (O "Teste da Receita")

Primeiro, a equipe testou isso em fórmulas matemáticas simples (como a gravidade ou como uma bola cai).

O Resultado: Quando eles forneceram os dados "brutos" (com unidades) para o computador, ele frequentemente errava ou demorava muito. Mas quando forneceram os dados de "proporção" (adimensionais), o computador encontrou a fórmula exata e correta quase sempre, e fez isso muito mais rápido. Foi como dar ao computador um mapa em vez de uma venda nos olhos.

4. O Teste Avançado: O Mistério "Parcialmente Conhecido" (UPINNs)

Em seguida, eles enfrentaram um desafio mais difícil: Equações Diferenciais. Estas são equações que descrevem como as coisas mudam ao longo do tempo, como uma população de coelhos crescendo ou uma conta girando em um aro.

O Cenário: Imagine que você conhece metade da receita (ex: você sabe como a população de coelhos cresce naturalmente), mas não sabe a segunda metade (ex: quantos coelhos são comidos pelas raposas).
A Ferramenta: Eles usaram uma IA especial chamada UPINN (Rede Neural Informada pela Física Universal). Pense na UPINN como um "adivinhador inteligente" que aprende a parte que falta da receita com base nos dados.
A Reviravolta: Eles aplicaram seu "filtro de proporção" (Análise Dimensional) antes do adivinhador inteligente olhar para os dados.
O Resultado:
- Sem o filtro: O adivinhador inteligente tinha dificuldades, especialmente quando os dados eram ruidosos (como uma receita com algumas migalhas queimadas). Ele não conseguia entender a parte que faltava com clareza.
- Com o filtro: O adivinhador inteligente encontrou a parte que faltava com muito mais precisão. Como os dados foram simplificados em proporções puras, o computador não se confundiu com o ruído ou com as unidades.

5. A Grande Vitória: O Exemplo "Lotka-Volterra"

Em seu teste mais complexo (um modelo de predador-presa), eles mostraram que, ao usar o método deles, podiam reduzir a parte desconhecida da equação para ter zero variáveis extras.

A Analogia: Normalmente, você poderia pensar que a receita que falta depende da temperatura, da umidade e da hora do dia. Mas o método deles mostrou que, na verdade, a parte que falta depende apenas da proporção de predadores para presas. Ele removeu toda a bagunça desnecessária, deixando uma fórmula clara e simples.

Resumo

O artigo afirma que, ao traduzir dados do mundo real em "proporções puras" (números adimensionais) antes de pedir a um computador para encontrar a fórmula matemática, você pode:

Encontrar a resposta certa com muito mais frequência.
Fazer isso mais rápido porque há menos possibilidades para verificar.
Lidar melhor com dados ruidosos (como uma receita com alguns erros).
Trabalhar mesmo quando você só conhece parte da física, ajudando a IA a encontrar as peças que faltam.

Essencialmente, eles não inventaram um novo tipo de computador; eles apenas ensinaram o computador a olhar para o problema de uma forma mais simples e "amigável à física", tornando o trabalho de descobrir os segredos da natureza muito mais fácil.

Resumo Técnico: Aprimorando a Regressão Simbólica e UPINNs com Análise Dimensional

Declaração do Problema
Na engenharia e na matemática aplicada, derivar modelos matemáticos precisos e interpretáveis a partir de dados experimentais é crítico para o controle e a otimização. A regressão simbólica (SR) surgiu como uma ferramenta poderosa para a descoberta de equações de forma fechada diretamente dos dados, sem suposições predefinidas. No entanto, a SR enfrenta desafios significativos: é um problema NP-difícil caracterizado por um espaço de busca exaustivo que leva a altos custos computacionais, convergência lenta e um alto risco de sobreajuste (overfitting), particularmente quando os conjuntos de dados são limitados ou ruidosos. Além disso, algoritmos de SR padrão frequentemente têm dificuldade em impor consistência física (homogeneidade dimensional) nas equações descobertas. Embora trabalhos anteriores tenham integrado a análise dimensional à SR, eles têm sido amplamente limitados a equações totalmente conhecidas ou não demonstraram sistematicamente os benefícios da adimensionalização em cenários de "conhecimento parcial", onde alguns termos de uma equação diferencial são conhecidos e outros devem ser aprendidos.

Metodologia
Os autores propõem um framework que integra a análise dimensional — especificamente o teorema $\Pi$ de Buckingham e o método de Ipsen — com regressão simbólica e Redes Neurais Universais Informadas pela Física (UPINNs). A metodologia é dividida em dois fluxos de trabalho principais:

Descoberta Total de Equações Algébricas:
Os autores combinam o teorema $\Pi$ de Buckingham com o algoritmo de regressão simbólica PySR. Eles demonstram que transformar dados dimensionais brutos em termos $\pi$ adimensionais antes da regressão reduz o número de variáveis de entrada. Este processo simplifica o espaço de busca, garantindo que as expressões candidatas sejam construídas a partir de grupos adimensionais em vez de variáveis originais, eliminando assim automaticamente expressões dimensionalmente inconsistentes.
Descoberta de Conhecimento Parcial em Equações Diferenciais (A Principal Contribuição):
Para cenários onde uma equação diferencial é parcialmente conhecida (por exemplo, $du/dt = P(u,t) + Q(u,t)$ onde $P$ é conhecido e $Q$ é desconhecido), os autores introduzem um novo pipeline:
- Adimensionalização via Método de Ipsen: Ao contrário do teorema $\Pi$ de Buckingham, que minimiza o número total de termos $\pi$ , o método de Ipsen permite a seleção específica de constantes adimensionais para minimizar o número de variáveis de entrada que aparecem no termo desconhecido $Q$ . Isso é alcançado através da eliminação iterativa de dimensões do componente desconhecido.
- Aproximação por UPINN: Uma Rede Neural Universal Informada pela Física (UPINN) é treinada para recuperar o termo oculto $Q$ usando os dados adimensionalizados. A UPINN aprende $Q$ como uma função apenas dos grupos adimensionais relevantes, reduzindo significativamente a complexidade da tarefa de aproximação de função.
- Regressão Simbólica: A saída da UPINN (o termo oculto aproximado) é então alimentada em um algoritmo de regressão simbólica (PySR) para encontrar uma expressão de forma fechada para o termo adimensional desconhecido.
- Recuperação: A equação adimensional final pode ser mapeada de volta para as variáveis dimensionais originais para recuperar a equação governante.

O framework foi testado em três casos distintos: um modelo de crescimento logístico estendido (EDO de primeira ordem), um modelo de conta rotativa (EDO de segunda ordem) e um sistema de Lotka-Volterra estendido (EDOs acopladas). Experimentos foram conduzidos tanto em condições sem ruído quanto com ruído.

Principais Contribuições

Integração de Buckingham $\Pi$ com SR: O artigo demonstra que combinar o teorema $\Pi$ de Buckingham com o PySR melhora significativamente a precisão da recuperação de equações algébricas, frequentemente alcançando a recuperação exata onde a formulação original falha.
Novo Pipeline de Conhecimento Parcial: Os autores introduzem um pipeline integrando o método de Ipsen, UPINNs e SR. Esta abordagem visa especificamente a recuperação de termos desconhecidos em equações diferenciais ao reduzir a dimensionalidade de entrada do componente desconhecido antes do aprendizado.
Validação Sistemática: O estudo fornece uma comparação sistemática do desempenho da SR em dados originais versus adimensionalizados através de múltiplos tipos de equações diferenciais, mostrando melhorias consistentes nos erros métricos e nas taxas de recuperação de equações.

Resultos

Equações Algébricas: Quando aplicado a sete equações algébricas, a adimensionalização permitiu que o PySR recuperasse as equações subjacentes verdadeiras exatamente (com erro quadrático médio [MSE] negligenciável) na maioria dos casos, enquanto a formulação original frequentemente falhava em generalizar ou produzia expressões incorretas. Por exemplo, no caso da lei de Coulomb, a adimensionalização reduziu o problema a um único termo $\pi$ , permitendo a recuperação exata.
Equações Diferenciais (Crescimento Logístico): Para o modelo de crescimento logístico estendido, a UPINN recuperou com sucesso o termo oculto tanto nas formas original quanto adimensional. No entanto, a regressão simbólica nos dados adimensionais recuperou a expressão verdadeira ( $\alpha^2/(\alpha^2+1)$ ) com alta precisão, enquanto a SR nos dados originais falhou em encontrar a forma correta mesmo com aumento no volume de dados. Essa vantagem persistiu sob condições ruidosas ( $\epsilon=0.05$ e $\epsilon=0.1$ ), onde a abordagem adimensional apresentou MSE significativamente menor.
Equações Diferenciais (Conta Rotativa): Resultados semelhantes foram observados para o modelo da conta rotativa. A abordagem adimensional permitiu que o PySR recuperasse a equação verdadeira ( $-\epsilon \sin \theta + \sin \theta \cos \theta$ ), enquanto a formulação original resultou em alto MSE e expressões incorretas.
Equações Diferenciais (Lotka-Volterra): No sistema de Lotka-Volterra estendido, o termo desconhecido foi reduzido a uma função livre de parâmetros de duas variáveis adimensionais ( $x, y$ ). Embora a UPINN tenha aprendido o termo oculto com precisão em ambos os casos, o PySR teve dificuldade em recuperar a função racional exata em qualquer uma das formulações, embora a abordagem adimensional ainda tenha apresentado valores de perda menores. Os autores observam que o conjunto de dados pode ter carecido de informação suficiente para distinguir a verdade fundamental de expressões similares.

Significância e Alegações
O artigo afirma que integrar a análise dimensional com a regressão simbólica oferece um framework robusto para a descoberta automatizada de equações governantes, particularmente quando os dados são limitados ou ruidosos. Ao reduzir o espaço de busca para grupos adimensionais, o método reduz os custos computacionais, mitiga o sobreajuste e garante a interpretabilidade física. Os autores enfatizam que, ao contrário dos métodos de compressão estatística (ex: PCA), a análise dimensional preserva as relações invariantes entre as quantidades.

Os autores posicionam este trabalho modestamente como uma prova de conceito. Eles reconhecem que o método depende de suposições como variáveis de entrada e matrizes dimensionais totalmente conhecidas, e que aplicações no mundo real podem exigir o tratamento de variáveis ocultas ou não observadas. Eles também observam que, embora o pipeline melhore o desempenho, ele não garante a descoberta da equação verdadeira em todos os cenários complexos (como visto nos resultados de Lotka-Volterra). Sugere-se que trabalhos futuros incluam o relaxamento dessas suposições, a criação de benchmarks com dados do mundo real e a investigação dos efeitos específicos de diferentes estratégias de adimensionalização no desempenho dos algoritmos.