Symbolic Regression Tool Use Multi-Objective Optimization Scientific Discovery
摘要

符号回归旨在从观测数据中发现解析方程。现有LLM方法缺乏变量依赖分析机制且仅关注拟合误差,易陷入局部最优。本文提出多目标工具增强符号回归框架(MOT-SR),集成外部分析工具以提取结构先导并指导方程生成,同时通过动态帕累托前沿联合优化准确性、复杂度和泛化能力。系统包含元策略生成器和方程生成器两个协作模块,在闭环中持续优化。实验表明,MOT-SR在40个标准任务及引力波轨道建模中均优于现有方法,实现了高精度、强泛化的长期科学动力学可靠建模。

AI 推荐理由

论文核心在于利用LLM进行工具选择与调用(Tool-Augmented),通过外部分析工具提取结构先验,属于典型的技能学习与工具使用研究。

研究机构
复杂系统认知与决策智能国家重点实验室 自动化研究所,中国科学院 北京 中国科学院大学先进交叉科学研究院 北京,中国 中国科学院大学天文学与空间科学学院
论文信息
作者 Boxiao Wang, Runxiang Wang, Kai Li, Chongming Li, Zhiwei Chen et al.
发布日期 2026-07-31
arXiv ID 2607.29561
相关性评分 9/10 (高度相关)