Advanced Science
02 April 2026
Unüberwachte hierarchische symbolische Regression für interpretierbare Eigenschaftsmodellierung in komplexen multivariablen Systemen
Siyu Lou1,2,†, Chengchun Liu3,†, Dongxiao Zhang2, Yuntian Chen2,*, Fanyang Mo3,4,5
1 School of Computer Science, Shanghai Jiao Tong Universität, Shanghai, VR China
2 Ningbo Schlüssellabor für fortschrittliche Fertigungssimulation, Eastern Institute of Technology, Ningbo, VR China
3 Fakultät für Materialwissenschaften und Werkstofftechnik, Peking-Universität, Peking, VR China
4 School of Advanced Materials, Peking-Universität Shenzhen Graduiertenschule, Shenzhen, VR China
5 AI for Science (AI4S)-Preferred Program, Peking-Universität Shenzhen Graduiertenschule, Shenzhen, VR China
6 Provinzielles Schlüssellabor für Nano-Mikro-Materialforschung der Provinz Guangdong, Peking-Universität Shenzhen Graduiertenschule, Shenzhen, VR China
† Siyu Lou und ChengChun Liu haben gleichermaßen zu dieser Arbeit beigetragen.
10.1002/advs.202521200
Dieser Artikel stellt die unüberwachte hierarchische symbolische Regression vor, ein neues Rahmenwerk, das Black-Box-Machine-Learning in transparente wissenschaftliche Gleichungen überführt. Durch die Aufdeckung menschlich interpretierbarer Gesetzmäßigkeiten aus hochdimensionalen Daten verbindet es künstliche Intelligenz, Chemie und Physik, ermöglicht vertrauenswürdige Entdeckungen von Struktur-Eigenschafts-Beziehungen und bietet ein allgemeines Paradigma für erklärbare Modellierung in komplexen wissenschaftlichen Systemen.
Anhui Province Academy of Science and Technology, No. 128,Wanshui Road, Hi-Tech Zone, Hefei City, Anhui Province, China
+86 17354022649
service@sondii.com
IPv6 NETZWERK UNTERSTÜTZT
Unsere Stunden
Mo. 21.11. - Mi. 23.11.: 9.00 - 20.00 Uhr
Do. 24.11.: geschlossen – Happy Thanksgiving!
Fr. 25.11.: 8:00 - 22:00 Uhr
Sa. 26.11. - So. 27.11.: 10.00 - 21.00 Uhr
(Alle Stunden sind Eastern Time)
