Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Ciencia · github.com

Keplearn: extrae ecuaciones de los datos en segundos

Keplearn es un motor de regresión simbólica determinista escrito en Rust que, a partir de un TSV o CSV, recupera ecuaciones en forma cerrada. Se distribuye como un único binario sin dependencias y afirma superar en SRBench a AIFeynman en la recuperación de leyes exactas.

Foto: vía github.com

Leer el artículo aquíArtículo original (github.com) 7 comentarios en Hacker News

Escucha la noticia3 min

Keplearn, que debe su nombre a Johannes Kepler y a las tablas de observaciones de Tycho Brahe, recibe columnas de medidas y busca la ley compacta que las relaciona. Lee un TSV o CSV por la entrada estándar e imprime las ecuaciones candidatas en JSON. En el ejemplo del README, con las columnas m1, m2, r y force, recupera force = m1 * m2 / r**2. Es un binario único, sin dependencias (totalmente estático con el target musl), y hay descargas para macOS, Windows y Linux.

El método busca cadenas de reducciones invertibles aplicadas a la columna objetivo: divide un factor ajustado, invierte transformaciones como log, sqrt o arcsin, ajusta un nodo afín interior y repite hasta una profundidad fija. En cada nodo intenta un ajuste terminal con un monomio afín, un monomio disperso de k términos o formas compuestas (normas L2, racionales, trigonométricas). Los candidatos se ordenan sobre un 25 % de datos reservados con una penalización de complejidad MDL.

Las constantes ajustadas se redondean a racionales y a múltiplos de pi, e y sqrt(2), y cada redondeo se verifica antes de conservarse. La expresión ganadora se simplifica, se reajusta en escala y desplazamiento con todos los datos y se puntúa de nuevo. El r2 que se imprime sale de evaluar la ecuación impresa, no de ninguna fase interna de ajuste. La salida es determinista, byte a byte, y el flag --timeout limita los casos difíciles.

Keplearn es un método en SRBench, añadido en cavalab/srbench#223. Con una sola prueba por conjunto de datos y 60 segundos por ajuste, resuelve simbólicamente el 64,7 % de los 116 problemas de Feynman sin ruido (75), el 56,0 % con ruido 0,001, el 44,0 % con 0,01 y el 8,6 % con 0,1. En Strogatz (14 problemas) resuelve 6, 6, 3 y 1 respectivamente. Según el README, la mejor tasa publicada en Feynman es la de AIFeynman, con un 55,8 %.

Los propios autores señalan la limitación: en los 138 conjuntos de caja negra, sin ley cerrada conocida, el R2 mediano en test ronda cero (-0,003), porque la herramienta apunta a leyes analíticas exactas y no al ajuste general de curvas. En tiempos, la mediana en Feynman sin ruido es de 1,3 s (55 de 116 ajustes bajan de 1 s); con ruido, los ajustes tardan entre 11 y 14 s de mediana. El código es MIT y lo ha creado Chandler Freeman.

En Hacker News

«Keplearn: Extract Equations from Data in Seconds» · puesto 28 · 82 puntos · enviado por owls-on-wires

Lo que dicen los comentarios

El post tiene 5 puntos y aún no tiene comentarios, así que todavía no hay debate.

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.