AI4S回归白盒符号主义，清华等联合发布SR-LLM：自主发现科学知识

背景：在人工智能领域，神经网络因其“黑箱”特性难以生成人类可理解的显式规律，符号回归则旨在从数据中直接推导出形式明确、结构清晰的数学模型，但传统方法在复杂问题中面临搜索效率低、易陷入局部最优等挑战。研究目的：清华大学等多所高校联合提出SR-LLM，一种融合大语言模型与深度强化学习的新型符号回归框架，旨在通过检索增强和语义推理，从数据中生成简洁、可解释的数学模型，推动机器自主科学发现。结论：实验表明，SR-LLM在标准符号回归基准和真实世界任务（如跟车行为建模）中显著优于现有方法，不仅能复现经典模型，还能发现更优的新模型，为AI自主科学探索开辟了新路径，未来有望在无先验知识条件下通过自举范式演化出可解释的科学规律。