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.

Imagine que você é um detetive tentando descobrir a "fórmula secreta" que rege o mundo ao seu redor. Você tem um caderno cheio de anotações sobre como coisas se movem, esquentam ou se multiplicam, mas essas anotações estão cheias de rabiscos (ruído), faltam algumas páginas (dados parciais) e, às vezes, duas fórmulas diferentes parecem explicar o mesmo fenômeno.

O objetivo da ciência é encontrar essa fórmula curta e elegante (como $F=ma$ de Newton). O problema é que, quando os dados são bagunçados, os computadores atuais geralmente falham: ou eles inventam fórmulas erradas, ou criam equações tão complexas que ninguém consegue entender, ou simplesmente não conseguem decidir qual é a correta.

Aqui entra o SymLang, o novo "super-detetive" criado pelos autores deste artigo. Vamos explicar como ele funciona usando uma analogia de uma cozinha de alta tecnologia.

1. O Problema: A Cozinha Caótica

Antes do SymLang, tentar descobrir uma lei física era como tentar adivinhar uma receita de bolo apenas provando migalhas no chão, enquanto alguém joga farinha no seu rosto (ruído) e esconde os ingredientes principais (dados parciais).

Métodos antigos (como o SINDy): Eram como tentar todas as combinações possíveis de ingredientes aleatoriamente. Demorava uma eternidade e muitas vezes resultava em um "bolo" que parecia bom na hora, mas desmoronava se você tentasse comê-lo no dia seguinte (não generalizava).
Métodos de IA pura: Eram como um chef que já viu milhões de receitas, mas às vezes inventa ingredientes que não existem na natureza ou que quebram as leis da física (como um bolo que flutua sem hélio).

2. A Solução: O SymLang (O Chef com Regras e Intuição)

O SymLang é uma equipe de três especialistas trabalhando juntos em uma cozinha muito organizada. Ele usa três truques principais:

A. O Livro de Receitas com Regras Rígidas (Gramática de Simetria)

Imagine que, antes de começar a cozinhar, você coloca uma grade na cozinha.

Regra de Peso: Se você está fazendo um bolo, não pode usar "quilômetros" como ingrediente. Você só pode usar "gramas". O SymLang aplica isso à física: ele sabe que velocidade é distância/tempo. Se uma fórmula tenta somar "tempo" com "massa", o sistema a descarta imediatamente.
Regra de Espelho: Se você sabe que a física do seu sistema é simétrica (como um pêndulo que se move igual para a esquerda e para a direita), o sistema bloqueia qualquer receita que não respeite esse espelho.
O Resultado: Isso elimina 71% das receitas possíveis antes mesmo de começar a cozinhar. É como se o sistema dissesse: "Não vamos nem tentar fazer um bolo com areia, isso é impossível".

B. O Chef com Intuição (Modelo de Linguagem)

Depois de limpar a cozinha com as regras acima, o SymLang usa um "Chef Inteligente" (uma Inteligência Artificial treinada em milhões de equações matemáticas).

Em vez de tentar todas as combinações restantes aleatoriamente (o que ainda seria lento), o Chef olha para os dados que você tem (o cheiro, a cor, o tempo) e adivinha quais são as receitas mais prováveis.
Ele é como um chef experiente que, ao ver ovos e farinha, já sabe que provavelmente é um bolo, e não uma sopa. Isso faz o sistema ser muito mais rápido e eficiente.

C. O Degustador Cético (Seleção de Modelos e Incerteza)

Aqui está a parte mais brilhante. A maioria dos sistemas diz: "A melhor receita é esta!". O SymLang diz: "Aqui estão as 5 melhores receitas, e aqui está o quanto eu tenho certeza de cada uma".

Teste de Estabilidade: O sistema faz um "teste cego". Ele pega os dados, mistura um pouco, tenta descobrir a receita de novo. Se a receita muda toda hora, ele avisa: "Ei, os dados não são suficientes para ter certeza!".
Honestidade Epistêmica: Se houver duas receitas que explicam os dados igualmente bem, o SymLang não escolhe uma e ignora a outra. Ele diz: "Temos um empate. Precisamos de mais dados para decidir". Isso evita que cientistas cometam erros ao acreditar em uma lei falsa com confiança.

3. Os Resultados: O Que Acontece na Prática?

Os autores testaram esse sistema em 133 cenários diferentes, desde o movimento de planetas até a propagação de epidemias.

Precisão: Com dados ruidosos (10% de erro), o SymLang acertou a fórmula correta 83,7% das vezes. O segundo melhor método acertou apenas 61%.
Resistência: Quando os dados estavam muito ruins (50% de informações escondidas), o SymLang ainda conseguiu descobrir a fórmula em 61% dos casos, enquanto os outros métodos quase desistiram.
Física Real: As fórmulas encontradas pelo SymLang nunca violam as leis da física (como conservação de energia). Se um método antigo descobrisse uma equação que diz que energia aparece do nada, o SymLang nem deixaria essa equação sair da cozinha.

Resumo em uma Frase

O SymLang é como um detetive que usa regras da física para eliminar suspeitos impossíveis, usa inteligência artificial para focar nos suspeitos mais prováveis e, finalmente, confessa honestamente quando não tem certeza, evitando que a ciência seja enganada por coincidências aleatórias.

Ele transforma dados brutos e bagunçados em leis físicas claras, confiáveis e que realmente fazem sentido para o universo.

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

Aqui está um resumo técnico detalhado do artigo "Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations" (Síntese de Programas Guiada por Linguagem e Restrita por Simetria para Descobrir Equações Governantes a partir de Observações Ruidosas e Parciais), apresentado em português.

1. O Problema

A descoberta automática de leis físicas compactas (equações governantes) a partir de dados experimentais é um objetivo central da ciência quantitativa. No entanto, os pipelines atuais enfrentam três desafios críticos:

Ruído e Derivadas: Medições ruidosas corrompem as estimativas de derivadas, essenciais para identificar dinâmicas.
Observabilidade Parcial: Variáveis de estado relevantes muitas vezes não são observadas, tornando a dinâmica acessível apenas de forma projetada ou efetiva.
Incerteza Estrutural: Múltiplas estruturas simbólicas podem explicar os dados igualmente bem dentro da incerteza estatística. Métodos existentes tendem a retornar uma única "melhor" equação, ignorando a ambiguidade estrutural e levando a conclusões epistemicamente enganosas.

Além disso, abordagens anteriores (como SINDy, Programação Genética ou DSR) frequentemente falham em incorporar restrições físicas fundamentais (como análise dimensional e simetrias) antes da busca, resultando em espaços de hipóteses gigantescos e candidatos fisicamente inconsistentes.

2. Metodologia: O Framework SymLang

O SymLang (Symmetry-constrained Language-guided equation discovery) é um framework unificado que integra três ideias distintas em um pipeline modular de cinco etapas:

A. Gramáticas Restritas por Simetria (Fase 1-3)

Gramáticas Tipadas: O sistema utiliza Gramáticas Livres de Contexto (CFG) tipadas que codificam análise dimensional, invariância de grupo e restrições de paridade como regras de produção "rígidas".
Poda do Espaço de Busca: Antes de qualquer ajuste de dados, o sistema elimina candidatos que violam leis físicas básicas (ex: somar grandezas com dimensões diferentes). Isso reduz o espaço de busca em média em 71,3% de árvores de expressão candidatas.
Restrições Específicas: Inclui paridade (funções ímpares/par), invariância rotacional (SO(3)), invariância temporal e invariância de Galileu/Lorentz.

B. Síntese de Programas Guiada por Linguagem (Fase 4)

Proposta Inteligente: Um modelo de linguagem (LLM) de 7 bilhões de parâmetros, finetunado, atua como um "proponente".
Condicionamento: O LLM recebe um resumo interpretável dos dados (características espectrais, pontuações de simetria, candidatos a quantidades conservadas) e gera árvores de expressão que são consistentes com a gramática tipada.
Eficiência: Em vez de amostragem aleatória ou evolução cega, o LLM navega eficientemente pelo espaço restrito, propondo estruturas plausíveis.

C. Ajuste de Constantes e Regularização Física (Fase 5)

Ajuste Diferenciável: Para cada estrutura candidata, as constantes físicas são otimizadas usando minimização de erro de derivada com regularização $\ell_2$ .
Penalidade de Conservação: Se uma quantidade conservada é detectada nos dados, uma penalidade suave é adicionada para garantir que a equação descoberta respeite essa conservação, sem codificá-la rigidamente na estrutura.

D. Seleção de Modelo e Quantificação de Incerteza

Critério MDL (Minimum Description Length): A seleção não é baseada apenas no ajuste (likelihood), mas no comprimento da descrição (complexidade da estrutura + precisão das constantes). Isso evita o sobreajuste.
Análise de Estabilidade (Bootstrap): O sistema utiliza block-bootstrap para avaliar a estabilidade estrutural. Se múltiplas equações são igualmente prováveis, o sistema reporta explicitamente essa degenerescência estrutural em vez de escolher uma única equação falsa com alta confiança.
Identificabilidade: Utiliza a matriz de informação de Fisher para detectar se os parâmetros são identificáveis a partir dos dados disponíveis.

3. Principais Contribuições

Integração de Restrições Físicas na Busca: Ao contrário de métodos que aplicam restrições a posteriori, o SymLang impõe leis físicas (dimensões, simetrias) como regras de gramática, eliminando candidatos inválidos antes da avaliação.
Uso de LLMs para Busca Guiada: Utiliza um modelo de linguagem finetunado para guiar a exploração do espaço de símbolos, superando a ineficiência de algoritmos evolutivos puros.
Quantificação de Incerteza Estrutural: O framework não retorna apenas uma equação, mas um conjunto ranqueado com pesos de probabilidade e flags de ambiguidade. Isso permite que cientistas saibam quando os dados são insuficientes para distinguir entre leis concorrentes.
Robustez à Observabilidade Parcial: Oferece estratégias para lidar com variáveis não observadas, seja aprendendo dinâmicas efetivas ou introduzindo variáveis latentes penalizadas pelo MDL.

4. Resultados Experimentais

O método foi testado em um benchmark de 133 sistemas dinâmicos (mecânica clássica, eletrodinâmica, termodinâmica, dinâmica populacional e osciladores não lineares).

Recuperação Estrutural:
- Com 10% de ruído, o SymLang alcançou uma taxa de recuperação estrutural exata de 83,7%.
- Isso representa uma melhoria de 22,4 pontos percentuais sobre o melhor baseline (PySR) e uma redução de 61% no erro de extrapolação out-of-distribution (OOD).
Consistência Física:
- Violações de leis de conservação foram quase eliminadas ($3.1 \times 10^{-3} $** de deriva física vs. **$ 187.3 \times 10^{-3}$ para o concorrente mais próximo).
Observabilidade Parcial:
- Com 50% das variáveis de estado ocultas, o SymLang recuperou 61,2% das estruturas corretas, contra 38,4% do DSR.
- Crucialmente, o SymLang identificou corretamente 91,3% dos sistemas não identificáveis como "ambíguos", evitando retornar equações erradas com falsa confiança.
Eficiência de Amostra:
- O SymLang atinge 80% de recuperação com apenas ~4.800 passos de tempo, enquanto o PySR requer ~19.000 passos (4x mais dados).

5. Significado e Impacto

O trabalho representa um avanço significativo na ciência simbólica automatizada.

Auditoria Física: Garante que as leis descobertas sejam fisicamente auditáveis e consistentes com invariâncias conhecidas, algo que modelos de "caixa preta" (como redes neurais) não oferecem.
Honestidade Epistêmica: Ao reportar explicitamente a incerteza estrutural e a degenerescência, o SymLang evita que pesquisadores tiram conclusões prematuras de dados limitados, orientando o desenho de experimentos futuros para resolver ambiguidades.
Reprodutibilidade: O framework é totalmente de código aberto, oferecendo um caminho principiado da matéria-prima de dados até leis simbólicas interpretáveis.

Em resumo, o SymLang supera as limitações de métodos anteriores ao combinar a eficiência da síntese de programas guiada por IA com a rigorosidade das restrições físicas, entregando não apenas equações, mas uma avaliação confiável da certeza científica por trás delas.