Краткое содержание

arXiv:2511.05849v1 Тип объявления: кросс Аннотация: Символьная регрессия направлена на выявление физических законов из экспериментальных данных путём поиска аналитических выражений, что является важной задачей в области научных открытий, основанных на искусственном интеллекте. Однако экспоненциальный рост пространства поиска выражений делает эту задачу вычислительно сложной. Перспективное направление снижения эффективного пространства поиска и ускорения обучения заключается в символической эквивалентности: многие выражения, хотя и синтаксически различны, определяют одну и ту же функцию — например, $\log(x_1^2 x_2^3)$, $\log(x_1^2) + \log(x_2^3)$ и $2\log(x_1) + 3\log(x_2)$. Современные алгоритмы рассматривают такие варианты как различные результаты, приводя к избыточному исследованию и замедлению обучения. Мы предлагаем EGG-SR — унифицированную структуру, объединяющую графы равенства (e-графы) в разнообразные алгоритмы символьной регрессии, включая метод Монте-Карло с поиском дерева (MCTS), глубокое обучение с подкреплением (DRL) и большие языковые модели (LLM). EGG-SR