AI Feynman
1.0.0
强烈建议通过键入以下内容来设置新的虚拟环境
virtualenv -p python3 feyn source feyn/bin/activate
首先使用pip install numpy安装 numpy 。 “aifeynman”包在 PyPI 上可用，可以使用pip install aifeynman进行安装。
请注意，目前 AI Feynman 仅支持 Linux 和 Mac 环境。
进入一个干净的目录并运行以下 Python 命令：
import aifeynman
aifeynman.get_demos("example_data") # Download examples from server
aifeynman.run_aifeynman("./example_data/", "example1.txt", 60, "14ops.txt", polyfit_deg=3, NN_epochs=500)此示例将在大约 10-30 分钟内得到解决，具体取决于您拥有的计算机以及是否有 GPU。
这里的“example.txt”包含要执行符号回归的数据表，列之间用空格、逗号或制表符分隔。其他参数控制搜索：这里暴力模块尝试组合“14ops.txt”中的 14 个基本操作长达 60 秒，多项式拟合尝试最高 3 次，并且插值神经网络经过训练最多到 500 个纪元。
此代码是 AI Feynman 的改进实现：符号回归的物理启发方法，Silviu-Marian Udrescu 和 Max Tegmark (2019) [科学进展] 和 AI Feynman 2.0：利用图模块化的帕累托最优符号回归，Udrescu SM 等等人。 （2020）[arXiv]。
请查看这篇 Medium 文章，了解如何运行代码的更详细说明。
首先，运行compile.sh 来编译用于暴力破解代码的fortran 文件。
ai_feynman_example.py 包含在某些示例上运行代码的示例（位于 example_data 目录中）。示例对应于论文表4中的方程I.8.14、I.10.7和I.50.26。可以在费曼符号回归数据库中找到更多可以测试代码的数据文件。
代码的main函数，由用户调用，有以下参数：
pathdir - 包含数据文件的目录的路径
filename - 包含数据的文件的名称
BF_try_time - 每次暴力调用的时间限制（默认设置为 60 秒）
BF_ops_file_type - 包含暴力代码中使用的符号的文件（默认设置为“14ops.txt”）
polyfit_deg - 多项式拟合例程尝试的多项式的最大次数（默认设置为 4）
NN_epochs - 训练的纪元数（默认设置为 4000）
vars_name - 方程中出现的变量的名称（包括输出变量的名称）。这应该作为字符串列表传递，变量名称的出现顺序与包含数据的文件中的顺序相同
test_percentage - 保留并用作测试集的输入数据的百分比
要分析的数据文件应该是一个文本文件，每列包含每个（因变量和自变量）的数值。解决方案文件将以名称solution_{filename}保存在名为“results”的目录中。解决方案文件将包含几行（对应于帕累托前沿上的每个点），每行显示：
应用于输入数据的发现方程的误差以 2 为基数的平均对数（这可以被认为是位的平均误差）
应用于输入数据的已发现方程的误差以 2 为底的累积对数（这可以视为以位为单位的累积误差）
发现的方程的复杂度（以位为单位）
所发现的方程应用于输入数据的误差
所发现方程的符号表达式
如果 test_percentage 不为零，则在每行的开头添加一个数字，显示测试集上发现的方程的错误。
ai_feynman_terminal_example.py 允许从命令行调用 aiFeynman 函数。 （例如 python ai_feynman_terminal_example.py --pathdir=../example_data/ --filename=example1.txt）。使用 python ai_feynman_terminal_example.py --help 显示可传递给函数的所有可用参数。
如果您比较、借鉴或使用 AI Feynman 工作的某些方面，请引用以下内容：
@article{udrescu2020ai,
title={AI Feynman: A physics-inspired method for symbolic regression},
author={Udrescu, Silviu-Marian and Tegmark, Max},
journal={Science Advances},
volume={6},
number={16},
pages={eaay2631},
year={2020},
publisher={American Association for the Advancement of Science}
}@article{udrescu2020ai,
title={AI Feynman 2.0: Pareto-optimal symbolic regression exploiting graph modularity},
author={Udrescu, Silviu-Marian and Tan, Andrew and Feng, Jiahai and Neto, Orisvaldo and Wu, Tailin and Tegmark, Max},
journal={arXiv preprint arXiv:2006.10782},
year={2020}
} 
