AI-метод автоматически выводит формулы для сложных систем

Авторы взяли задачу, с которой обычные методы часто спотыкаются: в одной сложной системе могут действовать разные правила на разных масштабах, и эти правила ещё и могут выглядеть по-разному. Чтобы с этим справиться, они собрали метод из двух частей. Одна часть сначала учится разбирать запутанное поведение системы на более простые куски, а вторая уже из этих кусков пытается вывести компактную формулу. Идея тут не в том, чтобы просто «угадать» красивое уравнение, а в том, чтобы сначала понять, как система раскладывается на элементы, а потом собрать из них математическое описание.

Почему это важно: многие прежние AI-методы хорошо работали, когда у системы был один понятный масштаб и одна форма закона. Но для многоуровневых процессов — где на одном уровне видны одни закономерности, а на другом другие — такие подходы часто не хватали ни гибкости, ни выразительности. Поэтому авторы специально сделали метод, который умеет работать и с формулами, и с распределениями, то есть с описанием того, как значения могут быть разбросаны, а не только с одной точной зависимостью.

Проверяли Deflex не на одной игрушечной задаче, а на шести разных системах с разным поведением. Среди них были и моделируемые процессы, и реальные данные о движении людей и птиц. Важный результат не только в том, что метод вообще смог находить формулы, но и в том, что он делал это заметно быстрее конкурентов: в отдельных тестах — до семи раз эффективнее. При этом авторы честно показывают, что это именно методическая работа в формате препринта, то есть пока речь о первом сильном шаге, а не о готовом инструменте для повседневного научного применения.