intell-sci-comput/PSE

🧠 Khám phá định luật vật lý từ hàng triệu biểu thức quét song song trên GPU

Bài báo Nature Computational Science, giờ có mã nguồn mở để chạy thử với dữ liệu của chính bạn.

PSE (Parallel Symbolic Enumeration) là cài đặt PyTorch chính thức của nhóm tác giả Kai Ruan, Yilong Xu, Ze-Feng Gao, Yike Guo, Hao Sun, Ji-Rong Wen và Yang Liu, kèm theo module lõi PSRN (Parallel Symbolic Regression Network). Dự án giải bài toán symbolic regression — từ dữ liệu quan sát, tìm ra biểu thức toán học giải thích hệ thống vật lý, thay vì chỉ ra một mô hình black box. Điểm khác biệt nằm ở cách tiếp cận: thay vì duyệt từng biểu thức một, PSE quét hàng triệu biểu thức đồng thời ngay trên GPU.

✨ Điểm nổi bật

• Quét song song trên GPU: PSRN đánh giá đồng thời hàng triệu biểu thức tượng trưng thay vì tuần tự từng cái một.
• Tái sử dụng subtree tự động: các nhánh con (subtree) của biểu thức được dùng lại giữa nhau, giảm đáng kể chi phí tính toán.
• Cài đặt qua pip: pip install psrn, tương thích Python 3.9–3.12, hoặc build từ mã nguồn.
• CLI psrn-run: chạy thẳng trên file CSV của bạn, chỉ định thư viện operator (ví dụ Add, Mul, Identity, Tanh, Abs), số layer symbol, seed, time limit.
• Đầu vào linh hoạt: số input bằng tổng số biến và số hằng số, có option bật/tắt hằng số và downsample để tăng tốc.
• Dừng sớm bằng --probe: chương trình dừng ngay khi biểu thức mục tiêu xuất hiện trong frontier.
• Paper được chọn làm bìa: Nature Computational Science, Volume 6, Issue 1, tháng 1/2026.
• Giấy phép MIT, mã nguồn mở hoàn toàn.

💪 Vì sao đáng chú ý

Cách làm thông thường của symbolic regression là duyệt tuần tự rồi tối ưu từng biểu thức một — nhanh với không gian tìm kiếm nhỏ, chậm hoặc không khả thi khi biểu thức phong phú. PSE đảo ngược vấn đề: đưa toàn bộ không gian biểu thức lên GPU và xử lý hàng loạt, nhờ đó mở rộng quy mô tìm kiếm vượt xa giới hạn cũ. Tái sử dụng subtree là chốt khóa — giúp không phải tính lại các nhánh biểu thức đã gặp.

Phù hợp cho những ai làm AI4Science, SciML, giải bài toán hệ thống động học hỗn loạn hoặc cần biểu thức giải thích được (interpretable) thay vì chỉ dự đoán chính xác. Nhóm tác giả đến từ các trường ĐH danh tiếng và việc lên bìa Nature Computational Science là tín hiệu mạnh về chất lượng nghiên cứu.

#AI4Science #SymbolicRegression #PyTorch #SciML #TiniX