ทีมนักวิจัยเปิดตัว L2G-SR กรอบงานช่วย LLM ค้นหาสมการเชิงสัญลักษณ์แม่นยำขึ้น
นักวิจัยนำเสนอ L2G-SR กรอบงานเสริมประสิทธิภาพโมเดลภาษาขนาดใหญ่ (LLM) ในการทำสัญรูปสมการสัญลักษณ์ด้วยการตรวจสอบโครงสร้าง
วงการปัญญาประดิษฐ์ (AI) มีความเคลื่อนไหวจากงานวิจัยในหมวดวิทยาการคอมพิวเตอร์บน arXiv เมื่อวันที่ 14 ตุลาคม 2026 โดยคณะนักวิจัยประกอบด้วย Letian Huang, Xiangyu Wang, Haowei Lin และ Di He ได้เผยแพร่งานวิจัยชื่อ L2G-SR (Learning to Guide LLM-based Symbolic Regression)
การถดถอยเชิงสัญลักษณ์ (Symbolic Regression) คือกระบวนการค้นหา equations (สมการ) ที่อธิบายข้อมูลที่มีอยู่ ซึ่งโดยทั่วไปมักใช้ความคลาดเคลื่อนเชิงตัวเลข (Numerical Error) เป็นตัวนำทาง แต่ข้อจำกัดคือวิธีนี้มักเลือกสมการที่คำนวณตัวเลขได้ใกล้เคียง แต่อาจมีโครงสร้างทางคณิตศาสตร์ที่ไม่ถูกต้องตามเป้าหมายที่แท้จริง
เพื่อแก้ปัญหานี้ คณะผู้จัดทำจึงเสนอ L2G-SR ซึ่งเป็น framework (กรอบงาน) สำหรับการทำ symbolic regression ที่อาศัย LLM ร่วมกับ learned structural verifier (ตัวตรวจสอบโครงสร้างที่ผ่านการเรียนรู้) โดยใช้ Tree Edit Distance หรือ TED ในการสร้างสัญญาณกำกับดูแลโครงสร้าง พร้อมจัดการกับตัวดำเนินการสลับที่และรูปแบบนิพจน์ที่หลากหลาย
กลไกการทำงานคือ ตัวตรวจสอบจะทำการจัดเรียงข้อมูลเชิงตัวเลขให้เข้ากับสูตร จากนั้นเรียนรู้ที่จะให้คะแนนความคล้ายคลึงทางโครงสร้างของสมการผู้สมัครกับเป้าหมาย ในช่วงการค้นหาสมการ เป้าหมายจะถูกซ่อนไว้ และตัวตรวจสอบนี้จะทำหน้าที่เสริมข้อมูลความคลาดเคลื่อนเชิงตัวเลขในการคัดเลือกสมการ
จากการรายงานของผู้เขียนในงานวิจัย ระบุว่าวิธีดังกล่าวให้ผลลัพธ์ในระดับแนวหน้าบนชุดทดสอบ LLM-SRBench ทั้งในด้านความสามารถในการฟิตข้อมูล ความถูกต้องของระดับสมการ และค่า TED ภายใต้โมเดลและโดเมนที่ใช้ในการทดสอบ
ช่วยให้การประยุกต์ใช้โมเดลภาษาในการค้นหาสมการทางวิทยาศาสตร์และคณิตศาสตร์มีความแม่นยำด้านโครงสร้างยิ่งขึ้น ซึ่งมีประโยชน์ต่อการวิเคราะห์ข้อมูลเชิงลึก