Metodo Neuro-Evolutivo per la Regressione Simbolica Multi-Output Accoppiata

Un nuovo approccio neuro-evolutivo alla regressione simbolica supera i limiti dei metodi convenzionali, che tipicamente si concentrano su un singolo output. Nei sistemi di processo, le variabili di stato sono interconnesse attraverso parametri fisici comuni, portando a equazioni individuali precise ma spesso poco chiare quando la regressione viene eseguita indipendentemente. La nuova tecnica identifica un quadro simbolico comune—una collezione di unità simboliche latenti che possono essere scoperte una volta e applicate a più output utilizzando read-out additivi o moltiplicativi sparsi. La struttura del modello discreto si evolve attraverso mutazione e crossover, mentre i parametri continui vengono ottimizzati tramite discesa del gradiente e trasmessi alla prole. Questo metodo è stato testato su benchmark con verità di base consolidata e su uno scenario di resa di liquefazione idrotermale. I risultati suggeriscono che, sebbene l'accoppiamento non migliori universalmente le prestazioni, questa strategia facilita la creazione di modelli multi-output fisicamente consistenti.