Um sistema que usa um modelo de linguagem para guiar a busca por equações científicas recuperou 95% das fórmulas exatas no benchmark Feynman, de 100 problemas, com um R² médio de 0,9999. O método, batizado de InsightSR, é descrito em preprint no arXiv de 26 de agosto de 2026 e representa um avanço notável na interseção entre IA e descoberta científica.
Como funciona
A regressão simbólica é a busca por uma expressão matemática explícita que se ajuste a um conjunto de dados — diferente de uma rede neural, que é uma “caixa-preta” de parâmetros. O InsightSR coloca uma camada de LLM em volta do PySR, um dos principais frameworks open source da área. A arquitetura combina dois caminhos: um usa sementes semânticas, outro aplica transformações estruturais que se acumulam ao longo das gerações.
Após cada geração, o LLM avalia as expressões candidatas segundo precisão numérica, interpretabilidade física e utilidade das features, e atualiza uma base de conhecimento que alimenta as gerações seguintes. É esse “loop de orientação” — do modelo para a busca e de volta ao modelo — que diferencia a abordagem.
Os números
No LLM-SRBench, o InsightSR atingiu 80,18% de acurácia no subconjunto LSR-Transform, contra 50,45% do LaSR, o melhor sistema anterior. A acurácia variou por área científica: 92% em Ciência dos Materiais, 66,67% em Química, 50% em Biologia e 40,91% em Física — um recorte que revela onde a técnica é mais madura e onde ainda patina.
No teste com ruído do Feynman, a acurácia caiu de 97% (sem ruído) para 37% com ruído de 0,05 — evidência de que a sensibilidade ao ruído continua sendo um gargalo. A configuração usou o Qwen-3.5 27B com temperatura 0,3, de 100 a 500 iterações do PySR e de 3 a 30 gerações do LLM.
Por que isso importa
Extrair fórmulas legíveis por humanos a partir de dados tem aplicação direta em física, engenharia e biologia, onde entender a equação por trás de um fenômeno é tão valioso quanto prever resultados. Combinar a criatividade de busca do PySR com o julgamento semântico de um LLM aproxima a IA do ideal da ciência: descobertas que não apenas acertam, mas que podem ser compreendidas.
Limitações
Os próprios autores apontam que metadados textuais iniciais e a semântica ambígua das variáveis são pontos de sensibilidade do método. Além disso, em todos os pares testados, o desempenho fora da distribuição (OOD) foi pior que o dentro da distribuição. Como é um preprint (arXiv:2608.25291v1), os resultados ainda não passaram por revisão por pares.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
