STRIDE: Un Framework di IA Autoriflessivo per la Scoperta di Equazioni

Un nuovo framework chiamato STRIDE è stato introdotto dai ricercatori per migliorare l'affidabilità della scoperta di equazioni utilizzando LLM. A differenza dei cicli convenzionali che generano candidati, regolano parametri, valutano i risultati e riciclano esempi selezionati—che possono identificare erroneamente strutture preziose a causa di un adattamento inaffidabile, trascurare equazioni quasi corrette e accumulare memorie non necessarie—STRIDE integra generazione consapevole dei dati, valutazione con adattamento misto, correzione critico-esecutore e memoria semantica che preserva la diversità. Convertendo i punteggi di adattamento e le azioni dei candidati in feedback collettivo, facilita un processo a ciclo chiuso per proporre, valutare, perfezionare e riutilizzare equazioni. I test su benchmark di regressione simbolica e suite LSR-Synth indicano che STRIDE aumenta l'accuratezza, la robustezza contro dati fuori distribuzione e l'affidabilità complessiva. Questa ricerca affronta sfide significative nelle scoperte scientifiche guidate dall'IA, in particolare nel recupero di leggi simboliche dai dati. I risultati sono disponibili su arXiv con l'identificatore 2605.17790.