Deep Symbolic Optimization: Reinforcement Learning for Symbolic Mathematics
Conor F. Hayes, Felipe Leno Da Silva, Jiachen Yang, T. Nathan Mundhenk, Chak Shing Lee, Jacob F. Pettit, Claudio Santiago, Sookyung Kim, Joanne T. Kim, Ignacio Aravena Solis, Ruben Glatt, Andre R. Goncalves, Alexander Ladd, Ahmet Can Solak, Thomas Desautels, Daniel Faissol, Brenden K. Petersen and Mikel Landajuela
深度符号优化(DSO)是一种新的计算框架,可以为科学发现实现符号优化,特别是在涉及寻找复杂符号结构的应用中。 一个值得注意的例子是方程发现,它旨在自动推导出以符号形式表示的数学模型。 在DSO中,发现过程被制定为顺序决策任务。 生成式神经网络在候选人符号表达式的广阔空间中学习概率模型,而强化学习策略则引导搜索最有前途的区域。 该方法将基于梯度的优化与进化和本地搜索技术集成在一起,并集成了原位约束、特定领域先验和高级策略优化方法。 其结果是一个强大的框架,能够有效地探索广泛的搜索空间,以识别可解释和物理上有意义的模型。 对基准问题的广泛评估表明,DSO在准确性和可解释性方面均达到最先进的性能。 在本章中,我们全面概述了DSO框架,并说明了其在科学发现中自动化符号优化的变革潜力。
Deep Symbolic Optimization (DSO) is a novel computational framework that enables symbolic optimization for scientific discovery, particularly in applications involving the search for intricate symbolic structures. One notable example is equation discovery, which aims to automatically derive mathematical models expressed in symbolic form. In DSO, the discovery process is formulated as a sequential decision-making task. A generative neural network learns a probabilistic model over a vast space of ...