🔭 astrophysics

Comparison of symbolic regression algorithms in Star/galaxy/quasar separation

本文通过系统性比较 PySR、ESR、PhySO 和 MvSR 四种符号回归框架，证明了这些低复杂度可解释模型在 SDSS DR17 数据上能够有效区分恒星、星系和类星体，其性能媲美传统黑盒模型且能提供透明的天体物理边界解析。

原作者： Rachit Deshpande, Shantanu Desai

发布于 2026-03-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Rachit Deshpande, Shantanu Desai

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在天文学界进行的一场**“寻找最简公式”的寻宝游戏**。

想象一下，天文学家面对着一片浩瀚的星空，里面混杂着三种不同的“居民”：恒星（Star）、星系（Galaxy）和类星体（Quasar）。过去，为了区分它们，科学家们通常使用像“黑盒子”一样的复杂人工智能（比如深度神经网络）。这些黑盒子虽然很聪明，能猜对 95% 以上的情况，但它们只给答案，不给理由。就像你问一个天才厨师：“这道菜为什么这么好吃？”他只会说：“因为我的魔法锅。”你完全不知道里面加了什么料，也没法复制他的做法。

这篇论文的作者们（来自印度理工学院海德拉巴分校）想换一种思路：我们能不能找到一条简单的、人类看得懂的数学公式，直接告诉我们怎么区分这三类天体？

这就是**符号回归（Symbolic Regression）**要做的事情。它不寻找复杂的神经网络权重，而是直接寻找像 $y = ax + b$ 这样简洁的数学表达式。

1. 他们是怎么做的？（一场“选美比赛”）

作者们使用了 SDSS（斯隆数字巡天）第 17 批数据，里面有 10 万个已经确认身份的“天体居民”。他们发现，如果只看一个关键指标——红移（Redshift, z）（简单理解为天体离我们有多远、跑得有多快），就能把这三类天体大致分开：

恒星：就在我们家门口，红移几乎为 0。
星系：中等距离，红移适中。
类星体：非常遥远，红移很大。

为了找到区分它们的“最佳公式”，作者们请来了四位**“公式侦探”**（四种不同的符号回归算法）进行比赛：

PySR（进化岛模型）：
- 比喻：就像达尔文的进化论。它生成成千上万个随机公式，让它们在“岛屿”上互相竞争、杂交、突变。活下来的就是最适应环境的公式。
- 结果：它找到了一个不错的公式，但在区分某些难缠的类星体时有点吃力。
ESR（穷举搜索）：
- 比喻：就像拿着字典查所有单词。它不靠运气，而是把在一定复杂度内所有可能的数学公式都列出来，一个个试，确保没有漏掉任何可能。
- 结果：非常稳健，找到的公式很简洁，但计算量巨大。
PhySO（深度强化学习）：
- 比喻：就像训练一个 AI 玩“公式拼图”游戏。AI 通过不断尝试，如果拼对了就奖励，拼错了就惩罚。它学会了避开那些数学上“不合法”的拼图。
- 结果：它的表现非常稳定，找到的公式在不同测试中几乎一模一样，非常可靠。
MvSR（多视图符号回归）：
- 比喻：这是冠军选手。它像个聪明的裁缝，把布料（数据）分成三段（低红移、中红移、高红移），分别用不同的针法处理，最后缝成一件完美的衣服。
- 结果：它表现最好！准确率最高，而且找到的公式既简单又精准。

2. 比赛结果如何？

黑盒子模型（传统 AI）：像 Random Forest（随机森林）或神经网络，它们确实很强，准确率能达到 90% 以上。但它们是“黑盒子”，你看不懂它们是怎么思考的。
符号回归（新选手）：
- 令人惊讶的是，MvSR 找到的简单公式，准确率竟然和那些复杂的“黑盒子”模型一样高！
- 更重要的是，MvSR 给出的公式是人类可读的。例如，它可能告诉你：“如果红移小于 0.8，那是恒星；如果在 0.8 到 1.2 之间，那是星系；如果大于 1.2，那是类星体。”（当然，实际公式稍微复杂一点，包含指数函数，但人类完全能看懂）。

3. 为什么这很重要？

这就好比医生看病：

黑盒子模型：像是一个神医，看一眼病人就说“你有病，吃药”，但他说不清病因，你也无法验证。
符号回归：像是一个老中医，不仅告诉你“你有病”，还给你写了一张清晰的药方（公式），告诉你：“因为你的脉象（红移）到了这个数值，所以这是某种病。”

这篇论文的核心贡献是：

透明性：我们不再需要依赖“黑盒子”。我们可以用简单的数学公式来解释宇宙中恒星、星系和类星体的分布规律。
效率：这些公式非常短小精悍，计算机运行起来极快，不需要庞大的服务器。
物理洞察：这些公式揭示了宇宙中不同天体分布的“自然边界”。

4. 总结

想象一下，天文学家以前是用一把巨大的、复杂的**“万能钥匙”（黑盒子 AI）去开宇宙的门。现在，这篇论文告诉我们，其实只需要一把小巧精致的“单片钥匙”**（简单的数学公式）就能打开同一扇门，而且我们还能清楚地看到钥匙齿纹（公式结构）是怎么设计的。

这不仅让分类工作变得更透明、更可信，也为未来的天文学研究提供了一种既聪明又诚实的新工具。

论文技术总结：星/星系/类星体分离中的符号回归算法比较

1. 研究背景与问题定义

背景：
在大规模天文巡天（如 SDSS DR17）中，对恒星（Stars）、星系（Galaxies）和类星体（Quasars）进行光度分类是宇宙学、星系演化及活动星系核研究的基础。传统的机器学习方法（如深度神经网络、梯度提升树）虽然分类精度极高（>95%），但属于“黑盒”模型，无法揭示控制天体可分性的潜在物理关系（如红移演化、种群密度梯度）。

核心问题：
如何在保证高预测精度的同时，获得可解释的、数学形式简洁的分类模型？具体而言，研究旨在仅利用**光谱红移（ $z$ ）**这一单一物理参数，构建符号回归（Symbolic Regression, SR）模型，以发现紧凑的解析函数来区分这三类天体，从而替代复杂的黑盒模型。

2. 方法论 (Methodology)

2.1 数据集与预处理

数据来源：SDSS DR17 光谱确认样本，共 100,000 个天体（59.45% 星系，21.59% 恒星，18.96% 类星体）。
输入特征：仅使用光谱红移 $z$ 。
数据分布：恒星集中在 $z \approx 0$ ；星系分布在 $0.1 < z < 0.8$ ；类星体延伸至 $z > 2$ 甚至 $z > 6$ 。
实验协议：
- 使用 10% 的子集（10,000 个样本）进行符号发现。
- 在完整数据集上采用5 折分层交叉验证（5-fold stratified cross-validation）进行全局评估。
- 通过网格搜索优化决策阈值 $t_1, t_2$ ，将连续评分 $s(z)$ 转化为离散类别。

2.2 符号回归算法对比

研究系统比较了四种最先进的符号回归框架，均限制表达式复杂度（节点数） $\le 10$ ：

PySR (进化岛模型)：
- 基于并行进化的遗传编程，通过“岛屿”间迁移候选表达式来避免早熟收敛。
- 优化目标：正则化 $L_2$ 损失，结合 Pareto 前沿选择。
ESR (基于 MDL 的穷举符号回归)：
- 确定性方法，在预设复杂度限制内穷举所有数学有效表达式。
- 模型选择：基于最小描述长度 (MDL) 原则（结合 BIC），平衡拟合优度与结构复杂度。
PhySO (物理符号优化)：
- 基于深度强化学习（DRL），使用 LSTM 策略网络生成前缀表达式。
- 特点：引入物理约束（如禁止嵌套指数、强制包含 $z$ ），采用风险寻求策略梯度优化。
MvSR (多视图符号回归)：
- 将红移域分解为三个视图（低红移/恒星主导、中红移/星系主导、高红移/类星体主导）。
- 策略：全局共享符号结构，但针对每个视图独立优化数值参数，以解决红移分布的非平稳性。

2.3 基准对比

为了评估符号回归的性能上限，引入了三种不可解释的机器学习基准（同样仅使用 $z$ 作为特征）：

随机森林 (Random Forest)
支持向量机 (SVM, RBF 核)
多层感知机 (MLP)

2.4 评估指标

分类可靠性：Cohen's Kappa ( $\kappa$ )、平衡准确率 (Balanced Accuracy)、宏平均 F1 分数。
稳定性：决策阈值的标准差 ( $\sigma_{t}$ )。
物理失效分析：分析不同红移区间的召回率及错误分布。

3. 关键结果 (Key Results)

3.1 性能表现

所有符号回归模型均达到了与黑盒基准相当甚至更优的性能：

方法	Cohen's $\kappa$	准确率 (Accuracy)	平衡准确率	宏平均 F1	阈值稳定性 ( $\sigma$ )
MvSR (最佳)	0.8948	94.11%	92.51%	0.9296	极低 ( $\sigma < 0.003$ )
PhySO	0.8749	93.05%	89.97%	0.9088	极高 ( $\sigma < 0.002$ )
ESR	0.8665	92.60%	88.89%	0.8988	中等
PySR	0.8526	91.92%	87.09%	0.8856	较低
基准 (SVM/RF)	~0.895	~90.3%	~93.5%	~0.93	-

MvSR 表现最佳，其 $\kappa$ 值 (0.8948) 与最佳黑盒模型（SVM $\kappa \approx 0.8954$ ）在统计上无显著差异。
PhySO 展现了卓越的参数稳定性，阈值波动极小，适合自动化流水线。
ESR 在类星体识别上优于进化方法，证明了确定性搜索在特定任务中的优势。

3.2 发现解析表达式

所有模型均发现了简洁的解析函数（复杂度 $\le 10$ ），例如 MvSR 的表达式：
$s(z) = 3.134 - \frac{2.320}{z + e^{-2.904z}}$
这些函数成功捕捉了红移轴上的非线性边界，将恒星（ $z \approx 0$ ）、星系（ $0.1 < z < 0.8$ ）和类星体（ $z > 2$ ）有效分离。

3.3 物理失效分析

主要误差源：所有模型在 $z \approx 1.0 - 1.5$ 区间（星系与类星体光谱特征重叠区）出现分类错误。
信息论上限：黑盒模型与符号模型的性能均收敛于 $\kappa \approx 0.90$ 。这表明剩余的分类误差并非源于模型能力不足，而是源于 SDSS DR17 数据中星系与类星体在单一红移维度上的内在物理简并性（Intrinsic Physical Degeneracy）。

4. 主要贡献 (Key Contributions)

系统性基准测试：首次在同一数据集和统一协议下，全面比较了四种前沿符号回归框架（PySR, ESR, PhySO, MvSR）在天体物理分类任务中的表现。
可解释性突破：证明了仅凭单一物理参数（红移），通过紧凑的解析函数（复杂度 $\le 10$ ）即可达到与复杂黑盒模型（RF, SVM, MLP）相当的分类精度（ $\kappa > 0.89$ ）。
多视图策略验证：提出了 MvSR 方法，通过分解红移域并独立优化参数，有效解决了非平稳分布问题，取得了最佳性能。
物理边界量化：通过阈值稳定性和误差分析，量化了基于红移的星/星系/类星体分离的物理极限，指出了 $z \approx 1.25$ 附近的固有混淆区。

5. 意义与影响 (Significance)

科学机器学习 (SciML) 的典范：该研究展示了符号回归作为“白盒”替代方案的巨大潜力，不仅提供预测结果，还直接输出描述天体物理边界的数学公式。
自动化工作流集成：发现的解析函数计算成本极低，无需存储大型模型权重，可直接嵌入自动化光谱处理流水线，适用于大规模巡天数据的实时处理。
未来方向：研究指出，要突破 $\kappa \approx 0.90$ 的瓶颈，未来需结合测光颜色（Photometric colors）和多波段特征，以解决高红移区的物理简并问题。

总结：
这项工作不仅在天体物理分类任务中取得了优异的性能，更重要的是，它证明了可解释的符号回归能够捕捉到与复杂深度学习模型相同的物理规律，为构建透明、高效且符合物理直觉的天文数据分析工具提供了强有力的证据。