CFM-SD: Scoperta Causale con Simulatori Fisici come Operatori Do

Il metodo CFM-SD (Causal Flow Matching with Simulation Data), recentemente introdotto, impiega simulatori fisici basati su primi principi come operatori do nel calcolo interventistico di Pearl, affrontando confondenti latenti e dati interventistici autentici in applicazioni di AI per la scienza, come la progettazione molecolare e la scienza dei materiali. Gli approcci attuali (IGSP, DCDI, ENCO) presuppongono sufficienza causale e dipendono da interventi virtuali, il che è poco pratico data la prevalenza di confondenti latenti e l'alto costo di interventi reali come le simulazioni basate sulla fisica. Teoricamente, CFM-SD può identificare strutture causali a d variabili con O(d) interventi a variabile singola, il minimo richiesto sotto vincoli di realizzabilità fisica. Nei test su dati sintetici (γ=0.2–0.8), CFM-SD ha registrato un punteggio F1 medio di 0.800, rispetto a 0.127–0.562 dei metodi esistenti. Questa ricerca è disponibile su arXiv con ID 2605.07467.