Smooth multi-function evolutionary algorithm

No mundo da ciência da computação, existe um desafio persistente conhecido como regressão simbólica. Imagine um cientista que coletou uma vasta quantidade de pontos de dados — talvez medições de velocidade do vento, contagens de pólen ou salários de professores — e deseja encontrar uma única sentença matemática que explique como esses números se relacionam entre si. O objetivo é descobrir a regra oculta, a equação, que transforma os dados de entrada na saída correta. Para fazer isso, os computadores frequentemente usam um método inspirado na seleção natural, onde geram milhares de sentenças matemáticas aleatórias, testam o quão bem elas se ajustam aos dados e depois misturam e mutam as melhores para criar versões ainda melhores. No entanto, esse processo costuma ser desajeitado. O computador trata os blocos de construção dessas sentenças — como adição, subtração ou multiplicação — como ferramentas rígidas e separadas. Alternar de uma ferramenta para outra é como um salto repentino no cenário de possibilidades, tornando difícil para o computador encontrar o caminho suave para a resposta perfeita. É um pouco como tentar escalar uma montanha onde o terreno muda subitamente de uma encosta suave para um penhasco vertical; o escalador tem dificuldade em encontrar a direção certa.

Os pesquisadores Peter Michalicek e Tomas Brandejsky, da Universidade de Pardubice, na República Tcheca, propuseram uma nova maneira de suavizar esse cenário irregular. Eles desenvolveram um sistema onde o computador não precisa escolher entre diferentes ferramentas matemáticas como se fossem opções distintas e separadas. Em vez disso, criaram uma ferramenta única e flexível que pode se transformar suavemente de uma operação para outra. Em sua nova abordagem, o computador usa uma variável de controle especial, um único controle que pode ser girado para mudar gradualmente o comportamento da função. Se o controle estiver em uma posição, a ferramenta atua como adição; se girado para outra, atua como multiplicação; e, no meio, realiza uma mistura de ambas. Isso permite que o computador deslize continuamente entre diferentes comportamentos matemáticos, em vez de fazer saltos abruptos e bruscos. Ao fazer isso, os pesquisadores transformaram uma busca difícil por uma estrutura complexa em árvore em uma tarefa mais simples de ajustar um conjunto de números, tornando o processo evolutivo mais eficiente e menos propenso a ficar preso em becos sem saída.

Os pesquisadores testaram essa ideia construindo um sistema que chamam de "algoritmo evolutivo de multifunção suave". Em vez de deixar o computador montar aleatoriamente uma árvore de diferentes operações matemáticas, eles forçaram o computador a usar uma árvore perfeita e simétrica, onde cada nó interno é essa mesma ferramenta flexível e mutável. As únicas coisas que mudam durante o processo de aprendizado são os valores dos controles em cada nó e os números ou variáveis específicos na base da árvore. Esse design simplifica significamente o problema. Como a estrutura da árvore é fixa e as transições entre as operações são suaves, o computador pode usar técnicas de otimização padrão para encontrar as melhores configurações, em vez de depender dos métodos mais caóticos e imprevisíveis normalmente exigidos para esse tipo de problema. Os pesquisadores descobriram que essa abordagem permitiu representar relações complexas usando uma única variável de controle para qualquer número de funções de base, reduzindo a complexidade do espaço de busca.

Para ver se esse método realmente funcionava, a equipe executou seu algoritmo em uma variedade de conjuntos de dados padrão usados para testar a regressão simbólica, incluindo dados sobre padrões de vento, contagens de pólen e salários de professores universitários. Eles compararam seus resultados com vários outros métodos conhecidos, incluindo sistemas que utilizam programação genética tradicional e aqueles que combinam evolução com outras técnicas de otimização. Os resultados mostraram que, embora o método deles às vezes demore mais para rodar em um processador de computador padrão, ele foi altamente eficaz em encontrar modelos precisos. Em alguns casos, particularmente quando recebeu tempo suficiente para rodar através de muitas gerações de testes, seu algoritmo encontrou soluções tão boas quanto, ou melhores que, os métodos estabelecidos. Por exemplo, em um conjunto de dados envolvendo salários de professores, seu método alcançou um alto nível de precisão que igualou os principais desempenhos. Em outro conjunto de dados referente a dados de vento, produziu resultados comparáveis às melhores ferramentas existentes.

Uma das descobertas mais significativas estava relacionada ao quão bem os modelos se generalizavam para novos dados não vistos. No aprendizado de máquina, um problema comum é o sobreajuste (overfitting), onde um modelo memoriza os dados de treinamento tão perfeitamente que falha em fazer previsões precisas sobre novas informações. Os pesquisadores mediram isso comparando a taxa de erro nos dados de treinamento com a taxa de erro nos dados de teste. Sua abordagem de multifunção suave mostrou um aumento muito pequeno no erro ao passar do treinamento para o teste, sugerindo que os modelos criados eram estáveis e robustos. Isso indica que as transições suaves entre as operações matemáticas ajudaram o algoritmo a encontrar soluções que capturaram os verdadeiros padrões subjacentes dos dados, em vez de apenas se ajustar ao ruído. Os pesquisadores observaram que a implementação atual foi escrita de uma forma que não estava totalmente otimizada para velocidade, o que limitou quantos testes eles poderiam realizar em um tempo fixo. Eles sugeriram que, se o código fosse reescrito para rodar mais rápido, talvez usando hardware de computador especializado, o desempenho poderia melhorar ainda mais.

O estudo conclui que, ao substituir as transições rígidas e baseadas em saltos das algoritmos evolutivos tradicionais por transições suaves e contínuas, é possível tornar a busca por modelos matemáticos mais eficiente e confiável. Os pesquisadores demonstraram que uma única variável de controle poderia gerenciar efetivamente a transição entre múltiplas funções matemáticas diferentes, reduzindo a complexidade do problema sem sacrificar a precisão. O trabalho sugere que a maneira como representamos os blocos de construção de nossos modelos importa tanto quanto os algoritmos que usamos para pesquisá-los. Ao suavizar o cenário, os pesquisadores forneceram um caminho mais claro para os computadores seguirem, potencialmente levando a modelos mais precisos e confiáveis em campos que variam da ciência ambiental à economia. O código e os resultados deste estudo estão disponíveis para que outros possam examinar e construir sobre eles, convidando para uma exploração mais profunda desta maneira mais suave de evoluir soluções matemáticas.