A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination

Imagine que você é um detetive tentando resolver um mistério, mas em vez de impressões digitais ou álibis, suas pistas são números em uma planilha. Seu objetivo é encontrar a "receita" oculta — uma equação matemática escrita de forma limpa e organizada — que explique como esses números se comportam. Este é o mundo da Regressão Simbólica. Diferente dos programas de computador padrão que apenas processam números para dar uma resposta, a regressão simbólica tenta escrever a própria lei da natureza, como $F=ma$ ou a fórmula da gravidade, de uma forma que um humano possa ler e entender. É a diferença entre uma caixa preta que prevê o tempo e um meteorologista que consegue explicar por que a tempestade está chegando.

Por muito tempo, cientistas usaram computadores para caçar essas receitas, mas o processo costuma ser desajeitado. É como tentar consertar um relógio de pulso quebrado trocando peças aleatoriamente e esperando que ele volte a funcionar. Se o relógio não funciona, o computador apenas recebe uma "pontuação ruim" e tenta novamente, muitas vezes cometendo os mesmos erros repetidamente. Recentemente, cientistas começaram a usar Modelos de Linguagem de Grande Escala (LLMs) — os superinteligentes chatbots de IA que você talvez conheça — para ajudar a escrever essas equações. Essas IAs são ótimas em adivinhar quais palavras (ou símbolos matemáticos) devem vir a seguir, mas ainda podem ficar presas, escrever equações que não fazem sentido ou se confundir quando os dados ficam complicados. A grande questão é: Como fazer com que esses detetives de IA parem de adivinhar aleatoriamente e comecem a trabalhar como uma verdadeira equipe de especialistas?

Apresentamos o A-SR, um novo método que trata a busca por fórmulas matemáticas não como um ato solo, mas como um esforço de equipe bem orquestrado. Os pesquisadores por trás deste artigo, Wenxiao Zhao e seus colegas, perceberam que a maneira antiga de fazer as coisas era muito rígida. No passado, uma IA apenas propunha uma equação, recebia uma pontuação e tentava novamente. Se a equação estivesse quebrada, a IA poderia tentar consertá-la adicionando mais números, ou se fosse muito simples, poderia tentar torná-la mais complexa, tudo isso sem realmente entender por que falhou.

O A-SR muda o jogo ao dar à IA um "gerente" e uma equipe de especialistas. Imagine uma redação onde o Editor-Chefe (o Coordenador) não pede apenas a um repórter para escrever uma matéria. Em vez disso, o Editor observa os eventos do dia e decide qual especialista é necessário. Se a matéria estiver cheia de erros, o Editor chama o Revisor para verificar os fatos. Se a matéria estiver entediante e precisar de um novo ângulo, o Gerador é chamado para ter ideias selvagens. Se a matéria estiver muito longa e confusa, o Simplificador é convocado para cortar o excesso. E se a matéria estiver sentindo falta de uma peça chave do quebra-cabeça, o Analista mergulha nos arquivos para encontrar o elo perdido.

O que torna o A-SR especial é que esta equipe não segue apenas um cronograma fixo. O "Editor" é autoevoluinte. Ele observa como a busca está progredindo em tempo real. Se a equipe estiver presa em um ciclo de cometer erros, o Editor muda a estratégia, talvez dizendo à equipe para parar de explorar novas ideias e focar em consertar as que estão quebradas. Ele também mantém uma "memória" do que funcionou e do que não funcionou, direcionando essa informação para o especialista certo. Por exemplo, se a equipe continua falhando devido a um tipo específico de erro matemático, esse fracasso é enviado ao Revisor, que então ensina a equipe a evitar isso na próxima vez.

O artigo mostra que esta abordagem funciona incrivelmente bem. Quando testado em uma variedade de enigmas científicos — desde como produtos químicos reagem até como materiais se esticam sob pressão — o A-SR encontrou as "receitas" matemáticas corretas com muito mais frequência do que métodos anteriores. Em um conjunto de testes, usando um modelo chamado Llama3.1-8B, a taxa de sucesso saltou de cerca de 25,79% para 48,30%. Isso é quase dobrar o número de problemas que a IA consegue resolver corretamente. Ainda mais impressionante, quando pegaram as lições aprendidas com esses esforços de equipe e as ensinaram a um modelo de IA menor e de código aberto (Qwen3-4B), a taxa de sucesso desse modelo menor também saltou significativamente, de 24,58% para 38,29%.

Os pesquisadores também testaram o A-SR em dados científicos do mundo real, como o crescimento de bactérias e a vibração de sistemas mecânicos. Nesses cenários reais complicados e ruidosos, o A-SR conseguiu encontrar as melhores descrições matemáticas em 7 de 8 casos, superando outros métodos de ponta. A principal conclusão não é apenas que a IA ficou melhor em matemática; é que a IA aprendeu a pensar sobre seus próprios erros. Em vez de tentar cegamente milhões de combinações aleatórias, ela aprendeu a diagnosticar suas próprias falhas, mudar de papel quando necessário e usar sua memória para evitar repetir os mesmos erros. É uma mudança de uma busca solo caótica para uma equipe de agentes inteligente e coordenada, cada um fazendo exatamente aquilo que faz melhor, guiada por um gerente que sabe quando pressionar por novas ideias e quando pausar para consertar o que está quebrado.