Advanced Science
02 April 2026
Regresión Simbólica Jerárquica No Supervisada para el Modelado Interpretable de Propiedades en Sistemas Complejos con Múltiples Variables
Siyu Lou1,2,†, Chengchun Liu3,†, Dongxiao Zhang2, Yuntian Chen2,*, Fanyang Mo3,4,5
Escuela de Ciencias de la Computación, Universidad Jiao Tong de Shanghái, Shanghái, R. P. China
Laboratorio Clave de Ningbo para la Simulación de Fabricación Avanzada, Instituto Oriental de Tecnología, Ningbo, R. P. China
Escuela de Ciencia e Ingeniería de Materiales, Universidad de Pekín, Pekín, R. P. China
Escuela de Materiales Avanzados, Campus de Shenzhen de la Universidad de Pekín, Shenzhen, R. P. China
Programa Preferente AI para la Ciencia (AI4S), Campus de Shenzhen de la Universidad de Pekín, Shenzhen, R. P. China
Laboratorio Clave Provincial de Guangdong para la Investigación de Nanomicro Materiales, Campus de Shenzhen de la Universidad de Pekín, Shenzhen, R. P. China
† Siyu Lou y ChengChun Liu contribuyeron por igual a este trabajo.
10.1002/advs.202521200
Este artículo presenta la regresión simbólica jerárquica no supervisada, un nuevo marco que transforma el aprendizaje automático de caja negra en ecuaciones científicas transparentes. Al descubrir leyes interpretables por humanos a partir de datos de alta dimensionalidad, este método tiende un puente entre la inteligencia artificial, la química y la física, permitiendo el descubrimiento fiable de relaciones estructura-propiedad y ofreciendo un paradigma general para el modelado explicable en sistemas científicos complejos.
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 RED SOPORTADA
Nuestro horario
Lun 21/11 - Miércoles 23/11: 9 a.m. - 8 p.m.
Jueves 24/11: cerrado - ¡Feliz Día de Acción de Gracias!
Viernes 25/11: 8 a.m. - 10 p.m.
Sábado 26/11 - Dom 27/11: 10 a.m. - 9 p.m.
(todas las horas son hora del este)
