中科院半导体所论文再登 TNNLS 顶刊，贡献探索数学表达式的新视角
内容提要
中国科学院半导体研究所的研究人员提出了DeepSymNet符号网络，用于表示符号表达式。DeepSymNet使用更短的标签，减少搜索空间，提高算法鲁棒性。实验结果显示，DeepSymNet在符号表达式误差、复杂度和运行速度方面优于其他算法。这项研究为人工智能解决数学问题提供了新思路。
延伸解读
符号回归的挑战与DeepSymNet的应对
符号回归旨在从数据中发现数学表达式，但寻找最佳组合是NP-hard问题，组合空间随表达式长度指数增长，且系数非线性求解与结构优化相互干扰，导致耗时。DeepSymNet将表达式结构求解视为分类问题，通过监督学习减少搜索空间，为这一难题提供了新思路。
DeepSymNet的设计特点与优势
DeepSymNet使用隐藏层节点表示运算符，如+、-、×、÷、sin等，其中id运算符与上一层节点一一对应，确保信息传递。输入层有特殊节点const表示常量系数，只有连接到const的边才有权重。这种设计使网络能表示任何表达式，且标签更短，减少了预测搜索空间，提升了鲁棒性。
实验验证与性能表现
在人工生成和公共数据集上的测试表明，DeepSymNet在符号表达式误差、复杂度和运行速度上均优于对比算法。通过样本平衡和合并等效标签，模型鲁棒性增强，求解最优解的准确率提高。与基于搜索的方法如EQL、GP、DSR相比，DeepSymNet的平均误差最小，复杂度更接近真实表达式。
局限性与未来方向
论文提到DeepSymNet仍有一些局限性，例如随着表达式隐藏层数增加，预测准确率迅速下降，尤其是算子选择的预测精度。未来研究可进一步优化算子选择，并探索在实际问题中的应用。这项研究为人工智能解决数学问题提供了新视角，有望推动符号回归在物理、天文等领域的应用。
Q&A
什么是符号回归？它有哪些应用？
符号回归是一种从数据中寻找精确数学表达式的方法，用于揭示观测数据的潜在数学表达式，具有解释和概括能力，能够解释变量之间的因果机制或预测复杂系统的发展趋势，广泛应用于物理学、天文学等领域。
符号回归研究的主要难点是什么？
符号回归的难点在于获得最佳组合是一个NP-hard问题，组合空间随着符号表达式的长度呈指数增长；此外，系数的非线性求解过程和元素组合优化过程相互干扰，因此确定精确表达式非常耗时。
DeepSymNet是什么？它的整体框架是怎样的？
DeepSymNet是中国科学院半导体研究所提出的一种符号网络，用于表示符号表达式。其整体框架包括输入层、隐藏层和输出层。隐藏层节点由运算符号组成，包括+、-、×、÷、sin、cos、exp、log、id等，其中id运算符与上一层节点一一对应，其他运算符完全连接到上一层。输入层有一个特殊节点「const」用于表示常量系数。
DeepSymNet相比其他符号回归方法有哪些优势？
DeepSymNet使用更短的标签，减少了预测的搜索空间，同时提升了算法鲁棒性。实验结果显示，DeepSymNet在符号表达式误差、复杂度和运行速度方面优于其他算法，如基于监督学习的方法（SymbolicGPT、NeSymReS、E2E）和基于搜索的方法（EQL、GP、DSR）。
DeepSymNet如何提高算法的鲁棒性？
研究团队通过样本平衡和合并等效标签来增强算法鲁棒性。消融实验表明，增加样本平衡和合并等效标签后，模型求解最优解的准确率得到了提高，从而增强了算法的鲁棒性。
DeepSymNet在哪些数据集上进行了测试？结果如何？
DeepSymNet在人工生成的数据集和6个公共数据集（Koza、Korns、Keijzer、Vlad、ODE和AIFeynman）上进行了测试。结果显示，该算法在符号表达式误差、复杂度和运行速度方面均优于对比算法，证实了其有效性。
