HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

Pure-Pythonシンボリック回帰が8つのデータポイントからケプラーの法則を再発見

Pure-Python symbolic regression that rediscovered Kepler's law from 8 data point (github.com)

25 pointsby sade_9511 コメント

要約

GP-ELITEは、実験データから解釈可能な法則を発見するためのPure-Python製シンボリック回帰ライブラリです。ニューラルネットワークのようなブラックボックスではなく、変数とターゲットの関係を示す数式を生成します。特に小規模な実験データセットに適しており、ケプラーの第三法則をわずか8つのデータポイントから数秒で再発見した例も紹介されています。

全文翻訳

GP_ELITE

遺伝的プログラミングによるシンボリック回帰 — 実験データから解釈可能な法則を発見します。

単位を宣言すると、探索は常に次元的に妥当な方程式のみを構築します — これはソフトなペナルティではなく、ハードな制約です。動作範囲は測定されており、主張されているものではありません:必要なデータ点数、実行時間の増加率、そして失敗する箇所が示されています。

🇫🇷 フランス語版 [画像: Open In Colab](https://colab.research.google.com/github/ariel95500-create/gp-elite/blob/main/examples/quickstart.ipynb) ブラウザで試す — インストール不要、5ステップ。

GP_ELITEは、ブラックボックスではなく、変数とターゲットを結びつける数式を探索します。これは、関係性を理解したい小規模な実験データセット(≤10変数)向けに構築されています:劣化法則、センサー校正、工学的な相関、用量反応曲線、物理法則などです。

5つのファインマン方程式(正規化なし)において、返されるモデルは、25点から10,000点までのあらゆるサイズで、すべての実行において正確な法則を4つ復元しました。5番目の、入れ子になった有理数形式I.16.6は、1,000点以上で正確に(2,000点では教科書のものとは異なる形式で)、13回の実行のうち5回で復元されました。5つの適合にかかる時間は、1,000点では合計58秒、10,000点では当社の4コアマシンの1コアで151秒でした(benchmarks/feynman_scaling.py、バージョン1.0.0)。

0.4 "Lawful" 以降、列の物理単位を宣言することも可能です — 検索自体は、数値に適合するが物理法則を破るような数式ではなく、常に次元的に健全な式のみを構築します(下記次元制約参照)。

純粋なPython / NumPy — Juliaなし、コンパイルなし、GPUなし。pip installですぐに使えます。

公開データに対する3つのケーススタディ(単位付きケプラーの法則、1929年のハッブルの測定値、ニクラゼのパイプ)は、公開データに対して何が返されるか、そして何が見つからないかを示しており、GP_ELITEができないことは、測定値とともに既知の限界をリストアップしています。

[画像: GP_ELITEが8つのデータ点からケプラーの第三法則を再発見(R² = 1.000000)](https://raw.githubusercontent.com/ariel95500-create/gp-elite/main/kepler_plot.png)

惑星の距離と公転周期の8つのデータ点のみを与えられたGP_ELITEは、ケプラーの第三法則 T = a·√a = a^1.5 を再発見しました — examples/kepler_demo.py を参照してください。

import numpy as np
from gp_elite import symbolic_regression

a = np.array([0.387, 0.723, 1.000, 1.524, 5.203, 9.537, 19.191, 30.069])   # AU
T = np.array([0.241, 0.615, 1.000, 1.881, 11.862, 29.457, 84.011, 164.79])  # years

result = symbolic_regression(a.reshape(-1, 1), T, feature_names=["a"], generations=40, seed=0)
print(result.expression)     # 0.00279171 + 0.999396 * a * sqrt(a)

この式はあなたの変数と単位で書かれています:天文単位と年では、ケプラー定数は1であり、それが返されます。


これはあなた向けですか?

以下のいずれかに該当する場合、GP_ELITEはあなたに適している可能性が高いです:

  • 測定値の表があり、予測ではなく数式が欲しい場合。 劣化曲線、センサー校正、工学的な相関など。関係性の形状が重要で、それを読み取り、妥当性を確認し、場合によっては発表したいと考えている場合。
  • 第2の言語ランタイムをインストールできない場合。 ロックダウンされた大学のコンピューター、管理者権限のない企業のラップトップ、制御できないCIコンテナなど。pip install gp-eliteとその3つの依存関係だけで十分です — コンパイラ、Julia、GPUは不要です。
  • 列の物理単位を知っている場合。 それらを宣言すると、検索は次元的に健全な式のみを構築します — そして、データにない物理定数の単位と値まで推測できます。
  • 遺伝的プログラミングを教えたり学んだりしている場合。 エンジンはプレーンなPythonで書かれており、読み取り、ステップ実行、変更が可能です。また、コード不要のインタラクティブコンソールも付属しています。

上記に当てはまらない場合、他のツールの方が適しているかもしれません:PySRやOperonは、大規模なデータセットではより高速で高精度です — 下記信頼性は?を参照してください。


インストール

pip install gp-elite          # PyPIから
# または、ソースから:
git clone https://github.com/ariel95500-create/gp-elite
cd gp-elite && pip install -e ".[test]"

依存関係:numpy、pandas、scikit-learn。Python 3.9から3.14、LinuxおよびWindowsでテスト済み。


使用方法

1行で、自分のデータに対して(コンソールUI)
gp-elite

モード6(汎用CSV)を選択し、ファイルを指定して、デフォルト設定を維持します。GP_ELITEは列を検出し、検証セットを保持し、進化させ、発見された法則を表示します — 独自の列名と単位で書かれ、データに対する予測と比較されます。

モード6では、物理単位も尋ねられます。宣言はオプションであり、スキップは1回のキーストロークです — しかし、宣言すると、検索は次元的に一貫した式に制限され、エンジンは欠落している物理定数の単位と値を推測できます。Hookeの法則の2列CSVでは、次のように返されます:

  Units for ['elongation'], comma-separated : m
  Unit for TARGET 'force' : N
  Deduce an unknown constant? [y/N] : y
  ...
  Formula in YOUR columns (checked on your data):
    force = 250 * elongation
  Deduced constant units : [kg / s^2]
  Deduced constant value : 250
プログラムで(ノートブック、パイプライン)
import numpy as np
from gp_elite import symbolic_regression

rng = np.random.RandomState(0)
X = rng.uniform(1, 5, (200, 2))
y = 2.0 + 3.0 * np.sqrt(X[:, 0]) - 0.5 * X[:, 1]

if __name__ == "__main__":        # スクリプトでは必要、以下の注意を参照
    result = symbolic_regression(
        X, y,
        feature_names=["a", "b"],
        operators="physical",     # 'physical' | 'trig' | 'full' | 'poly' | 'conserve'
        generations=60,
        speed="fast",             # 'ultrafast' | 'fast' | 'normal' | 'thorough'
        seed=0,
        parallel=False,           # すべてのマシンで同じモデル、以下参照
    )
    print(result.expression)      # 2 + 3 * sqrt(a) - 0.5 * b
    print(result.r2_validation)   # 1.0
    print(result.size)            # 33 (エンジンのツリーのノード数)
    print(result.sympy())         # 同じ式、sympyで解析可能

ここで検索は与えられた法則を、あなたの変数で返します:エンジンのツリーは33ノードを持ち、そこから印刷される式は2 + 3·√a − 0.5·bです。適合は、この式がpredict()を再現することを確認します。これは保証されていません。より難しい法則では、同じ予算で、ホールドアウトにほぼ完全に適合する近似が返されますが、それでも法則ではありません(この例では0.7がそれを返しました);式を読むことでそれを知ることができます。restarts=とspeed="thorough"は、正確な形式に計算リソースをより多く費やしますが、保証はありません。

  • speed: 'ultrafast' | 'fast' (デフォルト) | 'normal' | 'thorough'。'thorough'(集団400、4つの島、200世代)は、正確な法則を探すための設定です;デフォルトの世代数の2倍で、より遅く、より良くする保証はありません。
  • time_limit=(秒):検索は期限でクリーンに停止し、見つかった最良のモデルを返します。進行中の世代と最終選択が少し追加されます(1.0.0の測定で15秒の予算に対して16.9秒、並列島;シーケンシャルでは、同じ適合が10.2秒でR² 1.0000のモデルで停止しました、予算の前で、検索は正確な法則でのみ行われるため)。
  • restarts=: 候補がマージされる独立した進化。

あなたのデータ。 XはNumPy配列、行のリスト、またはpandas DataFrame(その列名が変数名になります)にできます;yは1次元配列または単一の列です。欠損値または無限値は、関連する行と列とともに拒否されます(事前に削除または補完してください)。非数値列はエラーで名前が付けられます。0.7では、yまたは法則が使用する列の欠損値は通過し、適合は警告なしに無関係な式を返しました(benchmarks/bad_input_check.py)。1から離れた値は準備不要です:オーダー1e-9または1e20のターゲットは内部で10のべき乗で割られ、オーダー1e-19の列は絶対値の最大値で割られます(デフォルトの正規化)、そして式はあなたの単位で返されます(0.7まで、そのようなターゲットは定数または間違った線、負のR²で返され、適合が失敗したという警告はありませんでした)。

再現性。 同じseed、同じデータ、同じ設定で、適合はモデルを繰り返し返します、PYTHONHASHSEEDを設定せずに(0.7まで必要)。並列島はシーケンシャル検索とは異なるパスをたどり、parallel=Noneは4コア以上のマシンでそれらをオンにします:parallel=も設定してください。別のマシンでは、モデルが異なる場合があります:NumPyは、プロセッサが提供する命令でexpやtanhのような関数を計算し、値の最後の桁が変わる可能性があり、その後検索が別のパスを取ることがあります。

スクリプトと並列島。 4コア以上のマシンでは、島は並列ワーカープロセスで実行されます。これらのワーカーは、すべてのシステム(Linuxを含む)でspawnで起動され、スクリプトを再インポートするため、トップレベルのコードをif __name__ == "__main__":の下に置いてください。このガードがないと、GP_ELITEは状況を検出し、島をシーケンシャルに1コアで終了させ、一度だけそれを表示します。島は並列の場合とシーケンシャルな場合で異なるパスをたどるため、モデルが異なる場合があります。したがって、上記の例ではparallel=Falseとなっています:並列島(4コア以上の場合のデフォルト)では、別のモデル、R² 0.99998の近似が返されます。ノートブックは何も必要としません。

結果の読み取り
  • expressionはあなたの変数で書かれています。 エンジンは内部でスケーリングされた列で検索します;返される式は、スケーリングを定数に折り返したもので、適合は式がpredict()を再現することを確認します(result.formula_exact)。result.sympy()は、sympy.sympifyが解析できる文字列としての同じ式を提供し、result.sympy_expr()はsympy式自体を、列ごとに1つのシンボルで提供します:列名がsympy定数または関数(sympifyはEを2.718...、Iを√-1として読み取ります)であるか、識別子でない場合に使用します;sympy()はその場合に警告します。(0.7より前は、表示される定数は内部スケーリング空間の定数でした。)式はプレーンな数学関数です:エンジンの数値的安全ネットのいずれかがデータに作用する場合(基数が100を超えるか指数が絶対値で6を超えるため、または値が100万であるためクリップされたべき乗、またはゼロから1e-8以内の分母による除算)、またはまれに、丸めが条件の悪い式を台無しにする場合、それらはそれらの行のpredict()から逸脱します、formula_exactはFalseで、適合は警告します。0.8の測定値(benchmarks/results_0.8/)では、リリースで30秒/適合の205のファインマン適合のうち6つが該当し、標準化された実データでの60適合のうちゼロ、および単位付き実データでの70適合のうち8つ(キャンペーン5bおよび6b)、および同等作業比較の105適合のうち1つ(100世代)でした。警告は、result.paretoのエントリのうちいくつのエントリが正確な式を持っているかを示し、最も正確なものを名前で示します:返されるモデルに正確な式を強制すると精度が低下します(0.9のbenchmarks/results_0.9/PLAN_PHASE2.mdで測定)、したがって選択はあなたに委ねられます。
  • r2_validationは選択スコアです。 それが計算されるホールドアウトセットは、候補の中から返されるモデルを選択するためにも使用されるため、楽観的です。式がどのように一般化するかを推定するには、適合から除外した独自のテストセットを保持してください。
  • result.pareto は、他の支配されていない候補を、最も単純なものから順に、それぞれ独自のexpression、r2_validation、predictとともにリストします。
  • predict()は与えられたものをチェックします。 これは、適合が持っていたのと同じ数の列を期待します(単一のサンプルはX.reshape(1, -1)です)、そして入力が欠損または無限である行に対してNaNを返します。0.7では0を返しました。

🛡️ ロバスト回帰(外れ値に強いカスタム損失)

実世界のデータは汚れています。少数の外れ値が通常の最小二乗法適合を真の関係から大きく引き離す可能性があります。GP_ELITEは、少数の極端な点ではなく、データの塊を追跡することを目的とした、ワンタッチのロバストモードを備えています。

result = symbolic_regression(X, y, feature_names=["x"], robust=True)

内部的には、robust=Trueは目的関数をHuber損失に切り替え、最終的な係数をIRLS(反復再重み付け最小二乗法)手順で再スケーリングします。これはコンパクトで読みやすい数式のままです。

測定された動作(y = 2x + 1を復元;クリーンな点に対する真の法則に対するRMSE、低いほど良い;5つのシード、中央値と最悪のシード):

外れ値デフォルト(MSE)robust=True
0 %0.063 [0.063]0.063 [0.063]
10 %1.398 [1.398]0.237 [0.237]
20 %1.925 [1.925]1.925 [1.925]

クリーンなデータでは、2つのモードはわずかに異なる線(真の法則に等しく近い)を返します。10%の外れ値では、ロバストモードはエラーを6分の1に削減します。20%では、この例では、デフォルトよりも良くありません:デフォルトは5つのシードすべてに対して同じ線(外れ値に引っ張られる)を返します(y = 4.23319 + 1.32825 * x)、ロバストモードは5つのうち4つのシードで同じ線を返します。ロバスト性は、外れ値が疑われる場合に試すツールであり、保証ではありません — 独自のデータで両方のモードを比較してください。(0.6まで、この表は真の法則との比較によって選択された3回の実行の最良の結果を報告していましたが、これはユーザーにはできません。)

再現:python examples/robust_regression.py。


⚖️ 次元制約(物理法則のみ)

入力とターゲットの単位を宣言すると、GP_ELITEは次元的に健全な式のみを検索します — 数値には適合するが物理的に無意味な数式はもうありません。

from gp_elite import GPEliteRegressor

est = GPEliteRegressor(
    units=["kg", "m/s"],      # X0, X1の単位
    target_units="J",         # ターゲットの単位
)
est.fit(X, y)

単位はプレーンな文字列を受け入れます — SI基本単位(m kg s A K mol cd)、一般的な派生単位(N J W Pa Hz C V ohm T)、および* / ^ ( ):「m/s」、「kg*m/s^2」、「s^-1」、「1」(無次元)。次元辞書({"m": 1, "s": -1})や、名前ごと({"X0": "kg"})およびインデックスごと({0: "kg"})の形式も機能します。不正な形式の文字列("m/(s"、"kg^"、"m garbage")は、推測されるのではなくエラーを発生させます。

測定された効果 — ファインマンII.11.3、x = q·Ef/(m·(w0²−w²))、5変数、5シード、40世代、最初の2つのアームで同じ予算:

units=なしunits=ありunits=なし、4倍の世代数
次元的に有効5 / 55 / 55 / 5
正確な法則の復元(ドメイン外でのホールドアウト)5 / 52 / 55 / 5
中央値テストR²1.000000.999571.00000
中央値ドメイン外R²1.000000.651.00000
中央値モデルサイズ20ノード27ノード20ノード
中央値秒/実行1271

1.0以降、この法則はエンジンが直接適合する形式の1つです、単項式×二項式のべき乗:units=なしでは、開始集団に配置され、すべての実行で約1秒でそれを返します。units=の下では、集団は型付けされ、それらの適合された形式は機能しません(LIMITATIONS.md、ポイント8):制約付き検索は5回のうち2回で法則を見つけ、残りの3回では物理的に整合性の取れた近似を返します。0.9まで、制約なしの検索は、世代数を4倍にしても、この法則に対して有効なモデルを返しませんでした:そのモデルは周波数の対数を取ったり、キログラムやヘルツを純粋な数値に加えたり、クーロンのべき乗に量を上げたりしましたが、制約が有効な回答への唯一の方法でした。エンジンが直接適合しない法則では、それは依然としてそうです。(0.9以降、型付けされた世代は型付けされていない世代の1.4倍のコストがかかりますが、0.8では8.5倍でした。検索は正確な法則でのみ早期に停止するため、近似で終了する制約付き実行はすべての40世代を通過します;time_limit=はそれらを制限します。)

やらないこと。 トレーニングドメイン外から抽出されたテストセット(w/w0が[0.20, 0.67]から共鳴の[0.70, 0.90]に向かってプッシュされる)では、近似は劣化します;正確な法則はそこで保持されます(R² = 1.00000)、10回の制約なし実行と5回のうち2回の制約付き実行で。タイミングは4コアLinuxマシンから、一度に2回の実行、島をシーケンシャルに(parallel=False)取得したものです。再現:benchmarks/ab_ood.py。

いつ使用するか。 エンジンが返すものが物理的に意味があることを保証し、定数の単位と値を推測するため(下記、およびケプラーのケーススタディ、ここでは単位がデータだけでは追加されない項を排除するためにも役立ちます)。ブラックボックス予測には使用しないでください:制約は次元的に間違っているが数値的には良い近似を排除するため、適合が目標である場合にR²を低下させる可能性がありますが、法則を見つけることが目標の場合はそうではありません。

次元付き定数を持つ法則(unknown_constant=)。デフォルトでは、適合された定数は無次元です(AI Feynmanの規約)、これはHookeの法則 F = k·x のような法則を手の届かないものにします:無次元定数はメートルとニュートンを結びつけることができず、検索は有効なものは構築できないと正しく報告します。unknown_constant=Trueを設定すると、先頭の定数は同次性によって推測される次元を帯びることが許可されます:

est = GPEliteRegressor(units=["m"], target_units="N", unknown_constant=True)
est.fit(X, y)
est.constant_units_string()   # '[kg / s^2]'
est.constant_value_           # 250.0

エンジンは、法則の形状だけでなく、欠落している物理定数の単位と値も報告します。3つの参照法則で測定済み:

法則回復した構造推測された単位値真の値
Hooke F = k·xはいkg / s²250250
Newton F = G·m₁·m₂/r²はいm³ / kg s²6.674e-116.674e-11
理想気体の法則 P = nRT/Vはいkg m² / K mol s²8.3144626188.314462618

返される式自体が物理定数を運びます:ベンチマークはHookeの法則に対して(250.0*X0)、理想気体の法則に対して(8.314462617999999*((X0*X1)/X2))と印刷します。予算:25世代、2回の再起動。

再現:benchmarks/test_constante_mystere.py。units=とtarget_units=が必要です。式が入力列の単項式でない場合(例:m₁ + m₂)、単一の生の定数は存在せず、constant_value_はNoneになり、推測された単位は有効なままです。

制限。 units=の下では、内部線形スケーリングは乗算のみ(加算オフセットなし)であり、すべての候補が次元的に均一に保たれます。


シミュレートされたバッテリー劣化データでの例

python examples/battery_soh.py

ファイルexamples/nasa_battery_simulation.csvには、168回のシミュレートされた充電サイクル(サイクル数、温度、電流、容量の健康状態)が含まれています。その起源は名前以外には文書化されていないため、これをワークフローのデモンストレーションとして扱い、実際のバッテリーの結果としては扱わないでください。このファイルに対して、スクリプトは(省略して)次のように印刷します:

PROTOCOL 1 — random split (INTERPOLATION, leaks info)
  GP_ELITE      R² = +0.993
  RandomForest  R² = +0.997
  XGBoost       R² = +0.997

PROTOCOL 2 — forward split (EXTRAPOLATION): train on cycles 1..142, predict 143..168
  RandomForest (300)      R² = -2.521
  XGBoost (300 trees)     R² = -2.324
  GP_ELITE (one equation) R² = +0.162

  Equation: SOH = 0.428836 + 0.111661 * courant * exp(0.51573 * courant) - 0.0181691 * sqrt(cycle)

シーケンシャルデータのランダム分割は補間であり、すべての手法を甘く評価します。フォワード分割では、ツリーアンサンブルはトレーニングで見られた値しか繰り返せず、平均をはるかに下回ります。1.0が現在のサイクルで返す式は、それらよりも優れていますが、それほど良くはありません(R² +0.16);0.8および0.9は、平均を下回るR² -0.31のものを返しました。そして0.7はサイクルと現在のトレンドを追うものを返しました(R² +0.594)。ツリーアンサンブルができない場所では、式は外挿できます;それがそうするかどうかは、検索がどの式を返すかに依存します — このシミュレートされたセットでは、確認が必要です。


信頼性は?

聞いたことのないプロジェクトにとって、当然の質問です。ここでは、代替手段と比較して、それがどのように位置づけられているか、そしてそうでないかを示します。

GP_ELITEニューラルネットワークPySR (最先端)
出力読みやすい数式ブラックボックス読みやすい数式
インストールpip install (純粋Python)重いJuliaが必要
ホールドアウト検証組み込み(モデル選択に使用)自分で行う自分で行う
物理単位検索中のハード制約 (units=)なしソフトペナルティ (X_units=)
回答の安定性ブートストラップレポート (stability_analysis)なしなし
大規模での速度と精度低い—高い

最後の行は、このプロジェクトの測定値ではありません:コンパイルされたエンジンの公開結果からの譲歩です。

変更はどのように決定されるか。 0.8以降、検索または最終選択を改善するための変更は、事前に書かれた比較に合格した場合にのみデフォルトの動作の一部になります:仮説と決定基準は、最初の実行の前にコミットされます(benchmarks/results_0.8/PLAN.md;最初のキャンペーンの計画は、最初の適合が開始されてから6分後にコミットされました)、変更が加えられたエンジンは、変更が加えられていないエンジンと比較されます。41のファインマン方程式と実データセット(6つの標準化、7つは独自の単位)で、適合あたり30秒、適合あたり1つのプロセスで、結果はどのようなものであれ公開されます(RESULTS.md)、失敗した変更も含まれます。変更が失敗し、その制限されたバージョンがテストされた場合、制限は失敗を見た後に設計され、同じ問題で測定されました;RESULTS.mdはどこで言及しています。欠陥の修正はこのように決定されません;benchmarks/results_0.8/のファイルはそれらが変更するものを表示します。1.0の変更は同じように決定されました(benchmarks/results_0.9/、PLAN_PHASE4.mdおよびPLAN_PHASE5.md)、そして0.9以降、各リリースは、決定前に凍結され、決定に使用されたことのないテストセットで一度測定されます:78の他のファインマン方程式、14のストロガッツシステム、および25の実データセット。ファインマン方程式では、1.0は205の正確な法則のうち213を復元し、0.9は145でした;ストロガッツシステムでは、70のうち7つが8でした;実データセットでは、中央値R²は0.004以内、トレーニング範囲外への崩壊数は同じでした(release_1.0/)。

GP_ELITEのニッチ:参入障壁ゼロ。ラボエンジニア、学生、または技術者がCSVファイルを指し示し、開発者になることなく検証済みの法則を得ることができます。PySRとOperonは、大規模または困難な問題ではより高速で高精度です;GP_ELITEはそれ以外を主張しません。


GP_ELITEが得意なこと(およびあまり得意でないこと)

得意なこと:乗算的または指数的な構造を持つ物理/工学法則、中規模の実験データ、解釈可能性が最も重要な問題。

凍結されたファインマンベンチマーク(15の物理方程式、restarts=4、1つのシード)で、返されるモデルに基づいて評価:15/15の正確なシンボリック復元(ホールドアウトデータで1−R² < 1e-9)、0.9の12/15と比較;追加された3つはI.16.6(相対論的速度加算、入れ子になった有理数形式で、1.0が直接適合する形式には含まれていませんが、検索によって到達されました)と、サインまたはコサインを持つ2つの法則、I.18.12(r·F·sin θ)およびIII.15.12で、これらは1.0が直接適合します。同一のデータと分割(集団2000 × 30世代)でgplearnと直接比較した場合、返されるモデルに基づいて評価:15/15対6/15が正確、15/15対7/15が1e-3以内 — GP_ELITEが9つの方程式で先行し、6つでタイ。0.9まで、サインまたはコサイン内の角度を持つ法則はnormalize='none'を必要としました(角度を最大値で割るとサインが見つけるべき周期が変わるため、0.9で10の三角法の法則で測定、5シード各々でベンチマークの41方程式のうち50適合のうち13が正確、デフォルトでは50適合のうち2;実データでは、近いスケールの列をそのままにして、normalize='smart'はトレーニング範囲外での予測を悪化させました(benchmarks/results_0.9/PLAN_TRIG.md);1.0では、デフォルトはショーケースの3つの法則を返しますが、そのような法則が返されない場合はnormalize='none'を試す価値があります。物理単位を宣言した場合(units=、同じ予算、正規化なし)、14/15が正確に返され、それぞれ教科書形式です(benchmarks/feynman_units.py);欠落はI.16.6です。15方程式に対する1つのシードはショーケースであり、統計的比較ではありません:benchmarks/results_0.8/RESULTS.mdは0.7.0と0.8への各変更を、検索と最終選択で41方程式で5シード、適合あたり30秒で測定し、0.7.0と0.8.0を同等の作業でこれらの15方程式で5シード、および6つの実データセットで並べて測定します。再現:python benchmarks/feynman_bench.py 0 15およびpython benchmarks/duel.py。

あまり得意でないこと:カオスシーケンス(例:コルツの飛行時間 — 本質的にランダムなコンポーネント)、15〜20変数を超える(探索空間が爆発する — ただし、物理単位がわかっている場合はunits=がそれを大幅に狭める)、生の精度が解釈可能性を上回る大規模データセット(アンサンブルモデルがそこで支配的)。


技術的特徴

  • 直接適合される形式(v1.0):単項式×二項式のべき乗、b·f·(1 + c·g)^p(pは−1、−½、½、1のいずれか)(有理数形式、1/√(1 − v²/c²)、2つの項の和の平方根)、および単項式の関数×単項式、b·f·exp(c·g)、b·f·log(c·g)、b·f·tanh(c·g)、b·f/cosh(c·g)またはf·(a + β·sin(ω·g) + γ·cos(ω·g)):それぞれ1次元探索と最小二乗法で適合され、数値精度が保たれている場合に開始集団に配置されます。
  • ノイズ耐性シード(v1.0):形式が正確に適合しない場合、べき乗則と上記の形式はしきい値を上げて再度検索され、分散の1.5%以下しか説明しない場合に配置されます。
  • べき乗則シード(v0.8):データがべき乗則に従う場合、対数で適合された単項式が集団で開始されます。
  • 正確な法則の研磨(v0.8):最終候補は収束した定数と各項の係数を受け取ります;変形は正確な場合のみ認められます。
  • 評価された形式の定数適合(v0.8):変数射影におけるLevenberg-Marquardt(スケールとオフセットは残差内で解決されます)。
  • スケールフリーデータ(v0.8):任意の大きさのターゲットは内部で10のべき乗で割られ、デフォルトの正規化は各列を絶対値の最大値で割ります。
  • あなたの変数での数式、チェック済み(v0.7):内部スケーリングは定数に折り返されます;formula_exactは、式がトレーニングデータでpredict()を再現するかどうかを報告します。
  • 時間予算(v0.7):time_limit=はクリーンに停止し、最良のモデルを返します。
  • 謎の定数推測(v0.5):先頭の定数は同次性によって推測される次元を持つことができます;単位と生の値は推定器で公開され、モデルが単項式の場合に予測値で読み取られます(v1.0)。
  • 次元制約付き検索(v0.4):構成的な型付け世代、次元保存突然変異と交叉、fitness()の妥当性ゲート — 後処理監査者(v0.7)と共有される単一のセマンティクス。
  • units=でのスケールのみの線形スケーリング(v0.4.1):原点を通る回帰、したがって評価される形式は配信される形式です。
  • LMオプティマイザの数値ガード(v0.4):無限のsq/cube/*チェーンでのfloat64オーバーフローはもうありません。
  • 後処理次元監査(v0.3):dimensions.py。
  • Levenberg-Marquardt定数最適化(v0.2):決定的、LM/Adam切り替え可能。
  • 複数再起動+マージされた候補アーカイブ(v0.2):シード分散を信頼性に変換。
  • ParetoフロントAPI(v0.2):非支配的な複雑さ/精度階段。
  • 保護された外挿/予測モード(v0.2):ドメイン外プローブ、線形フロア、フロンティア選択。
  • 構成モチーフシーディング(v0.2):ピタゴラス、逆数和、ガウステンプレート(入れ子構造用)。
  • 非対称島モデル(エクスプローラー/クリーナー/スティグマーギック)周期的な移行、4コア以上のマシンでの並列ワーカープロセス。
  • 線形スケーリング(Keijzer 2003):エンジンは形状を検索します;スケールとオフセットは閉形式で解決されます。
  • ε-lexicase選択(La Cava 2016)行動多様性を維持するため。
  • ホールドアウト検証+簡潔なチャンピオン選択(R²許容度)。
  • 乗算構造を維持するシフトフリー正規化(x·yはクリーンな積のまま)、0.7以降のすべてのデータに対して。
  • スティグマーギックメモリ実行間でエクスポート可能(文法エクスポート/インポート)— 文書化された機能であり、測定されたパフォーマンス上の利点ではありません。

新着情報

1.0 "Families" — 直接適合される法則のファミリー全体(有理数形式、べき根、指数、対数、単項式のサインとコサイン)、ノイズのあるデータでも:決定ベンチマークの41のファインマン方程式では、0.9の88と比較して205のうち163の正確な法則、および作業前に凍結された78の他のファインマン方程式では、145と比較して390のうち213(凍結された14のストロガッツシステムでは、70のうち7つが8と比較);実データでは、中央値R²は0.004以内、トレーニング範囲外への崩壊数は同じ;公開データに対する3つのケーススタディと、エンジンができないことのページ。0.9 "Steady" — units=を使用した検索が高速化され、同じモデルが得られます(ファインマンII.11.3で5倍以上);モデルから逸脱する式はParetoフロントの正確な式を名前で示します;決定前に凍結され、決定に使用されなかったテストセットで各リリースが測定されます。0.8 "Swift" — 高速化(速度向上だけで同じモデルが得られます)、より多くの法則が復元されます(べき乗則がシードされ、正しい構造が正確な法則に完成)、あらゆるスケールのデータ、入力チェック済み;検索を改善するための変更はすべて、事前に書かれた比較によって決定されます。0.7 "Sound" — 得られる式はモデルそのものです:すべての正規化に対してあなたの変数で書かれ、適合時にチェックされます;time_limit=予算;次元保証が厳格化;READMEのすべての数値が最終コードで再測定されます。0.6 "Bench" — コンソールでの物理単位。0.5 "Unknown" — 法則の欠落定数の単位と値。0.4 "Lawful" — 次元制約付き検索。0.3 "Trust" — 診断と安定性。

各主張の背後にある測定値を含む完全な履歴は、CHANGELOG.mdにあります。ここにある数値の背後にあるすべてのベンチマークはbenchmarks/にあり、生の成果物も含まれています。

データで失敗しましたか?教えてください

GP_ELITEは、ファインマン、ストロガッツのような公開ベンチマークで調整されています — これらはクリーンで、ノイズがなく、適切にスケーリングされています。実際の測定値はこれらのどれでもなく、そのギャップがエンジンが最も作業を必要とする場所です。

したがって、あなたのデータでナンセンスな結果が返された場合、それは有用な情報であり、ユーザーエラーではありません。新しい問題を開くで、データの形状と返された結果を教えてください。データ自体を共有する必要はありませんし、失敗した理由を知る必要もありません。英語またはフランス語で記述できます。

実際の測定値に関する失敗レポートは、このプロジェクトが受け取ることができる最も価値のある貢献です。 CONTRIBUTING.mdを参照してください。


テスト

pip install -e ".[test]"
python -m pytest tests/ -q

tests/test_guarantees.pyは、これまでに発見されたすべての欠陥をピン留めしています — 各テストは、欠陥があったコードで失敗することが確認されています。スイートは、コードを変更するすべてのプッシュで実行されます(Linux、Python 3.9–3.14、およびWindows)。


ライセンス

MIT — LICENSEを参照してください。商用利用を含む、著作権表示の保持とともに、自由に使用できます。

GP_ELITEの引用

GP_ELITEが学術研究で役立つ場合は、CITATION.cffを参照してください。