材料科学中的符号回归
Symbolic Regression in Materials Science
摘要：
我们展示了符号回归作为材料研究中使用的分析方法的潜力。首先，我们简要介绍了目前国家的最先进的方法，遗传编程为基础的符号回归（GPSR），和最近的进展，符号回归技术。接下来，我们将讨论符号回归的工业应用及其在材料科学中的潜在应用。然后，我们提出了两个GPSR用例：制定一个转换动力学定律，并显示学习计划发现了著名的约翰逊-梅尔-阿夫拉米-科尔莫戈罗夫（JMAK）形式，并学习朗道自由能泛函形式的位移倾斜过渡钙钛矿LaNiO $_3$。最后，我们建议材料科学家应该考虑将符号回归技术作为其他基于机器学习的回归模型的替代，以从数据中学习。
英文摘要：
We showcase the potential of symbolic regression as an analytic method for use in materials research. First, we briefly describe the current state-of-the-art method, genetic programming-based symbolic regression (GPSR), and recent advances in symbolic regression techniques. Next, we discuss industrial applications of symbolic regression and its potential applications in materials science. We then present two GPSR use-cases: formulating a transformation kinetics law and showing the learning scheme discovers the well-known Johnson-Mehl-Avrami-Kolmogorov (JMAK) form, and learning the Landau free energy functional form for the displacive tilt transition in perovskite LaNiO$_3$. Finally, we propose that symbolic regression techniques should be considered by materials scientists as an alternative to other machine-learning-based regression models for learning from data.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
