MOSAIC-SR：Transformer 引导的符号回归
原文标题：MOSAIC-SR: Transformer-Guided Symbolic Regression for Scientific Equation Recovery
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 MOSAIC-SR，用预训练 Transformer 生成多个初始表达式草图，为搜索提供有希望的起点，避免在巨大表达式空间中随机初始化。每个搜索结合尺度感知常数优化与局部符号修复，在 SRSD-Feynman 等数据集上取得最高符号解率，且在存在无关变量时仍保持优势。
- 问题
- 符号回归中搜索法依赖随机初始化、预训练模型生成公式含符号错误。
- 方法
- 用预训练 Transformer 生成多个初始表达式草图，为多路搜索提供起点，每路结合尺度感知常数优化与局部符号修复。
- 结果
- 在 SRSD-Feynman（含/不含无关变量）及六个基准上符号解率最高，预测精度居前二。
- 影响
- 把学习先验与符号搜索结合，在含无关变量时仍稳健，适合科学发现场景的方程恢复。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MOSAIC-SR 用预训练 Transformer 生成多个表达式草图初始化搜索，在全部数据集取得最高符号解率。
- •用预训练 Transformer 生成多个初始表达式草图，避免在巨大表达式空间中随机初始化
- •每个搜索结合尺度感知常数优化与局部符号修复
- •在 SRSD-Feynman 及六个额外基准上取得最高符号解率
- •预测准确率排名前二
- •在存在无关 dummy 变量时优势依然保持
为什么重要：符号回归长期在组合搜索与神经生成之间取舍，该工作说明学习先验可用于聚焦搜索起点，对科学发现类应用有直接价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。