【普林斯顿博士论文】面向物理科学的可解释机器学习，242页pdf解析

如果1609年已经有现代机器学习技术，开普勒会发现他的定律吗？还是他会满足于黑盒回归模型的准确性，导致牛顿没有灵感去发现万有引力定律？本文回顾了物理科学领域中机器学习的应用，并重点探讨了一个主要问题：缺乏可解释性。过度参数化的黑盒模型容易误记伪相关，这对于科学研究的进展产生威胁，同时也剥夺了科学家们符号操纵和逻辑推理的强大工具。为了解决这一问题，本文提出了一种可解释的机器学习框架，采用物理驱动的归纳偏差和"符号提炼"技术。通过将训练好的神经网络模型转换为可解释的符号表达式，从而使研究人员能够更好地理解模型的结果。文中还介绍了一种深度学习策略来执行这种符号提炼，并回顾了使用进化算法优化符号表达式的符号回归方法。同时，还介绍了PySR/SymbolicRegression.jl软件包，它是一个适用于Python和Julia的易于使用且高性能的符号回归包。在论文的后半部分，还回顾了可解释机器学习技术在天体物理问题上的应用，包括宇宙学中的宇宙空洞和计算流体动力学中的...