Advanced Science
02 April 2026
Régression symbolique hiérarchique non supervisée pour la modélisation interprétable des propriétés dans des systèmes complexes à variables multiples
Siyu Lou1,2,†, Chengchun Liu3,†, Dongxiao Zhang2, Yuntian Chen2,*, Fanyang Mo3,4,5
1 École d'informatique, Université Jiao Tong de Shanghai, Shanghai, RPC
2 Laboratoire clé de Ningbo pour la simulation de fabrication avancée, Institut de technologie de l'Est, Ningbo, RPC
3 École des sciences et du génie des matériaux, Université de Pékin, Pékin, RPC
4 École des matériaux avancés, Campus de Shenzhen de l'Université de Pékin, Shenzhen, RPC
5 Programme AI for Science (AI4S)-Preferred, Campus de Shenzhen de l'Université de Pékin, Shenzhen, RPC
6 Laboratoire clé provincial du Guangdong pour la recherche sur les nanomatériaux et micromatériaux, Campus de Shenzhen de l'Université de Pékin, Shenzhen, RPC
† Siyu Lou et ChengChun Liu ont contribué de manière égale à ces travaux.
10.1002/advs.202521200
Cet article présente la régression symbolique hiérarchique non supervisée, une nouvelle approche qui transforme l'apprentissage automatique en boîte noire en équations scientifiques transparentes. En découvrant des lois interprétables par l'homme à partir de données de grande dimension, elle établit un pont entre l'intelligence artificielle, la chimie et la physique, permettant une découverte fiable des relations structure-propriété et offrant un paradigme général pour une modélisation explicable dans des systèmes scientifiques complexes.
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 RÉSEAU PRIS EN CHARGE
Nos horaires
Lundi 21/11 - Mer 23/11 : 9h - 20h
Jeu. 24/11 : fermé - Joyeux Thanksgiving !
Vendredi 25/11 : 8h00 - 22h00
Sam 26/11 - Dim 27/11 : 10h - 21h
(toutes les heures sont l'heure de l'Est)
