Advanced Science
02 April 2026
Regressão Simbólica Hierárquica Não Supervisionada para Modelagem Interpretável de Propriedades em Sistemas Complexos de Múltiplas Variáveis
Siyu Lou1,2,†, Chengchun Liu3,†, Dongxiao Zhang2, Yuntian Chen2,*, Fanyang Mo3,4,5
1 Escola de Ciência da Computação, Universidade Jiao Tong de Xangai, Xangai, República Popular da China
2 Laboratório-Chave de Ningbo para Simulação de Manufatura Avançada, Instituto Oriental de Tecnologia, Ningbo, República Popular da China
3 Escola de Ciência e Engenharia de Materiais, Universidade de Pequim, Pequim, República Popular da China
4 Escola de Materiais Avançados, Campus Shenzhen da Universidade de Pequim, Shenzhen, República Popular da China
5 Programa Preferencial AI for Science (AI4S), Campus Shenzhen da Universidade de Pequim, Shenzhen, República Popular da China
6 Laboratório-Chave Provincial de Guangdong para Pesquisa em Nanomateriais e Micromateriais, Campus Shenzhen da Universidade de Pequim, Shenzhen, República Popular da China
† Siyu Lou e ChengChun Liu contribuíram igualmente para este trabalho.
10.1002/advs.202521200
Este artigo apresenta a regressão simbólica hierárquica não supervisionada, uma nova estrutura que transforma o aprendizado de máquina de caixa-preta em equações científicas transparentes. Ao revelar leis interpretáveis por humanos a partir de dados de alta dimensionalidade, ela conecta inteligência artificial, química e física, permitindo a descoberta confiável de relações estrutura-propriedade e oferecendo um paradigma geral para modelagem explicável em sistemas científicos complexos.
Nosso horário
Seg, 21/11 - Quarta, 23/11: 9h - 20h
Qui, 24/11: fechado - Feliz Dia de Ação de Graças!
Sexta-feira, 25/11: 8h - 22h
Sábado, 26/11 - Dom, 27/11: 10h - 21h
(todos os horários são horário do leste)