Know When the Equation Is Wrong: Structural Uncertainty for LLM-Guided Symbolic Regression under Extrapolation

{"tags": ["Symbolic Regression", "LLM-SR-UQ", "Uncertainty Quantification", "Extrapolation", "Conformal Prediction", "AI for Science", "LLM-SRBench"], "risks": ["Nếu tập phương trình do LLM tạo ra cùng mắc lỗi hệ thống hoặc thiếu tính đa dạng cấu trúc, khoảng bất đồng vẫn có thể đánh giá thấp độ không chắc chắn.", "Gia tăng chi phí tính toán và độ trễ khi phải lưu trữ, tối ưu và đánh giá đồng thời nhiều phương trình ứng viên.", "Phụ thuộc vào chất lượng và khả năng suy luận công thức của mô hình ngôn ngữ lớn nền tảng."], "category": "Research", "entities": ["LLM-SR-UQ", "LLM-SRBench"], "summary_vi": "Nghiên cứu giới thiệu LLM-SR-UQ, một khung làm việc định lượng độ không chắc chắn cấu trúc (structural uncertainty) cho hồi quy ký hiệu có hướng dẫn bởi LLM khi ngoại suy. Các phương pháp hiện nay thường chỉ chọn một phương trình tốt nhất khiến khoảng conformal chuẩn thất bại khi ngoại suy dù bao phủ tốt trong phân phối. LLM-SR-UQ duy trì các cấu trúc phương trình cạnh tranh và đo lường sự bất đồng giữa chúng để mở rộng khoảng dự đoán (structural intervals), qua đó cải thiện rõ rệt độ bao phủ ngoại suy trên tập chuẩn LLM-SRBench và có khả năng tổng quát hóa tốt sang các phương pháp hồi quy ký hiệu khác.", "key_changes": ["Chỉ ra hạn chế của khoảng conformal chuẩn: đạt độ bao phủ danh định trong phân phối (in-distribution) nhưng thường xuyên thất bại khi ngoại suy (extrapolation) trên tập chuẩn LLM-SRBench.", "Đề xuất khung làm việc LLM-SR-UQ duy trì tập hợp các cấu trúc phương trình cạnh tranh thay vì chỉ giữ một phương trình đơn lẻ tốt nhất.", "Sử dụng mức độ bất đồng giữa các dạng hàm ứng viên để định lượng độ không chắc chắn về mặt cấu trúc (structural uncertainty).", "Mở rộng phương pháp conformal cố định để tính toán các khoảng cấu trúc (structural intervals), tự động nới rộng khoảng dự đoán tại các vùng có độ phân kỳ cao.", "Chứng minh tính tổng quát hóa cao khi áp dụng thành công trên nhiều phương pháp hồi quy ký hiệu khác nhau."], "sub_category": "Symbolic Regression & Uncertainty Quantification", "novelty_score": 80, "business_score": 55, "research_score": 88, "why_it_matters": "Trong ứng dụng khoa học và kỹ thuật, các phương trình khám phá từ dữ liệu chỉ có giá trị thực tiễn nếu duy trì được độ tin cậy khi ngoại suy sang các điều kiện mới. Việc chỉ tối ưu một phương trình đơn lẻ tạo ra sự tự tin giả tạo vì nhiều dạng hàm có thể khớp dữ liệu huấn luyện tương đương nhau nhưng phân kỳ dữ dội ngoài phân phối. LLM-SR-UQ giúp hệ thống AI biết rõ khi nào phương trình toán học do mình đề xuất có nguy cơ bị sai, ngăn ngừa các quyết định sai lầm trong mô phỏng khoa học và thiết kế kỹ thuật.", "developer_score": 74, "importance_score": 78, "possible_use_cases": ["Khám phá công thức vật lý và quy luật tự nhiên từ dữ liệu thực nghiệm với khả năng cảnh báo khi mô hình ngoại suy ra ngoài miền quan sát.", "Mô hình hóa tài chính định lượng và quản trị rủi ro bằng các hàm giải thích được, có biên độ tin cậy được hiệu chỉnh.", "Xây dựng hệ thống bản sao số (digital twin) và mô phỏng kỹ thuật với khoảng tin cậy ngoại suy chuẩn xác.", "Tích hợp vào các nền tảng AI for Science để kiểm chứng và đánh giá độ tin cậy của các giả thuyết phương trình do LLM sinh ra."], "actionability_score": 72}