核心发现
方法论
本文提出了一种新的符号回归方法MO-SB-NESR，用于处理多输出系统。该方法通过共享符号骨架来确保跨输出的一致性。模型结构通过变异和交叉进化，而连续参数通过梯度下降进行调整。
关键结果
- 在Langmuir-Hinshelwood基准测试中，MO-SB-NESR成功识别了共享因子，减少了不一致性。
- 在Van de Vusse基准测试中，独立符号回归与耦合模型的表现相当。
- 在水热液化产量案例中，MO-SB-NESR展示了其作为共享结构提取器的能力。
研究意义
该研究解决了独立符号回归难以保持物理一致性的问题，尤其是在共享因子难以从数据中识别的情况下。它为工程应用提供了一个结构化的机制提取器。
技术贡献
与现有方法相比，该方法提供了一种新的结构共享机制，能够在多个输出中识别和重用符号单元。它在稀疏性和共享机制上进行了创新。
新颖性
这是首次提出通过共享符号骨架来解决多输出符号回归中的物理一致性问题。与独立回归方法相比，它提供了更高的结构紧凑性。
局限性
- 在每个输出都可识别的情况下，耦合模型未必优于独立回归。
- 方法对种子敏感，可能需要多次运行以获得最佳结果。
未来方向
未来可以探索如何在更多复杂系统中应用该方法，并研究其在不同领域的适应性。
AI 总览摘要
符号回归通常用于生成解析表达式，但在处理多输出系统时存在局限性。独立符号回归可能会产生难以解释的模型。本文提出了一种新的神经进化符号回归方法MO-SB-NESR，旨在解决这一问题。该方法通过共享符号骨架来确保跨输出的一致性，并通过变异和交叉进化模型结构。实验结果表明，该方法在Langmuir-Hinshelwood和水热液化产量案例中表现出色，成功识别了共享因子并减少了不一致性。尽管在某些情况下耦合模型未必优于独立回归，但该方法作为共享机制提取器的价值在于其结构紧凑性和一致性。未来的研究可以探索该方法在更多复杂系统中的应用。
深度分析
研究背景
符号回归用于生成解析表达式，但通常仅应用于单输出。这在过程系统中存在局限性，因为状态变量通常通过共享物理参数耦合。独立符号回归可能会产生难以解释的模型。
核心问题
独立符号回归在多输出系统中难以保持物理一致性，尤其是在共享因子难以识别的情况下。需要一种方法来确保跨输出的一致性。
核心创新
提出MO-SB-NESR方法，通过共享符号骨架来解决多输出符号回归中的一致性问题。该方法通过变异和交叉进化模型结构，并使用梯度下降调整连续参数。
方法详解
- �� 搜索共享符号骨架：发现并重用符号单元。
- �� 变异和交叉进化模型结构。
- �� 梯度下降调整连续参数。
- �� 评估跨输出一致性。
实验设计
使用已知真实值的基准测试和水热液化产量案例进行评估。比较耦合模型与独立符号回归的性能。
结果分析
在Langmuir-Hinshelwood基准测试中，MO-SB-NESR成功识别了共享因子。在Van de Vusse基准测试中，独立符号回归与耦合模型的表现相当。
应用场景
该方法可用于化学工程中的过程系统建模，确保模型的物理一致性。
局限与展望
在每个输出都可识别的情况下，耦合模型未必优于独立回归。方法对种子敏感，可能需要多次运行以获得最佳结果。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。独立符号回归就像每次做一道菜都要单独准备食材，而MO-SB-NESR方法则是找到一种共享的基础配料，可以在多道菜中使用。这不仅节省了时间，还确保了每道菜的味道一致。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，每个关卡都有不同的任务。独立符号回归就像每个关卡都要重新学习规则，而MO-SB-NESR方法则是找到一个共享的攻略，可以在多个关卡中使用。这不仅让游戏更简单，还确保你在每个关卡中都能取得好成绩！
术语表
Symbolic Regression (符号回归)
一种生成解析表达式的机器学习方法。
用于生成多输出系统的模型。
Neuro-Evolutionary (神经进化)
结合神经网络和进化算法的方法。
用于优化模型结构和参数。
Shared Backbone (共享骨架)
一种共享符号单元的结构。
用于确保跨输出的一致性。
Gradient Descent (梯度下降)
一种优化算法，用于调整模型参数。
用于调整连续参数。
Mutation (变异)
一种进化算法操作，用于改变模型结构。
用于进化模型结构。
开放问题 这项研究留下的未解疑问
- 1 如何在更复杂的系统中应用MO-SB-NESR方法仍需探索。
- 2 该方法在不同领域的适应性尚未完全了解。
应用场景
近期应用
化学工程建模
MO-SB-NESR可用于化学工程中的过程系统建模，确保模型的物理一致性。
远期愿景
跨领域应用
探索该方法在其他领域的应用，如生物工程和环境科学。
原文摘要
Symbolic regression provides analytical expressions, but it is usually applied one output at a time. This is limiting in process systems, where state variables are often coupled through shared physical parameters. Independent symbolic regression can give accurate individual equations that are difficult to interpret as one model. We present a neuro-evolutionary symbolic regression method for coupled multi-output systems. The method searches for a shared symbolic backbone: a set of latent symbolic units that is discovered once and reused by several outputs through sparse additive or multiplicative read-outs. The discrete model structure is evolved by mutation and crossover, whereas the continuous parameters are tuned by gradient descent and inherited by the offspring. The method is assessed on a set of benchmarks with known ground truth and on a hydrothermal liquefaction yield case. The results show that coupling is not a general route to lower prediction error. Its main contribution is the enforcement and diagnosis of cross-output consistency when a physically shared factor is embedded in a latent expression and is weakly identifiable from the data. This occurs for Langmuir-Hinshelwood and site-coverage denominators, for which independent PySR does not close the consistency gap or recover the same shared form. Conversely, when each output is already identifiable, as in the Van de Vusse benchmark, independent symbolic regression matches or improves the coupled model. The proposed framework, rather than a general purpose predictor, is a structured shared-mechanism extractor. Its value is highest when the target structure is sparse, shared, weakly identifiable or constrained by closure.