데이터 속에 숨겨진 수학적 패턴을 찾아내 공식으로 표현하는 상징 회귀(Symbolic Regression, SR) 분야에서 중요한 진전이 있었습니다. 기존 머신러닝(ML) 기반 상징 회귀 방식들은 복잡한 수학적, 물리적 원리를 깊이 이해하는 데 한계가 있었고, 특히 복잡한 방정식 처리와 비효율적인 하위 표현식(sub-expression) 탐색 문제가 지적되어 왔습니다. 이러한 문제점을 해결하기 위해 새로운 연구 'Deep Divide-and-Reduce in Symbolic Regression (DDRSR)'이 제안되었습니다.
DDRSR은 기존 'AI 파인만(Feynman)' 방법론의 단점을 개선하는 데 초점을 맞췄습니다. AI 파인만은 데이터의 수학적 특성을 활용했지만, 표현식 단순화 메커니즘이 적용 범위가 좁고 복잡한 방정식에서는 실패하기 쉬웠습니다. 또한, 하위 표현식을 찾기 위해 무차별 대입(brute-force) 탐색에 크게 의존하여 실용성이 떨어졌습니다. DDRSR은 엄격한 수학적 연역과 증명을 통해 이러한 한계를 극복하며, 표현식 분해 및 축소의 적용 가능성을 근본적으로 확장하고 무차별 대입 탐색의 필요성을 없앴습니다. 이를 통해 더 넓은 활용성과 엄격한 이론적 정확성을 모두 확보했습니다.
이러한 이론적 원칙들은 표현식 분해와 수치 회귀(numerical regression) 작업 모두에서 상당한 이점을 제공함이 실증적 평가를 통해 입증되었습니다. DDRSR은 과학적 발견을 가속화하고, 복잡한 시스템의 숨겨진 원리를 더 효과적으로 밝혀낼 수 있는 잠재력을 가집니다. 이는 단순히 데이터를 예측하는 것을 넘어, 데이터가 왜 그렇게 작동하는지 '이해'하는 AI를 향한 중요한 발걸음으로, AI 모델의 해석 가능성(interpretability)을 높이는 데도 기여할 수 있습니다.