প্রকল্প সম্পর্কে

PySR হল সিম্বলিক রিগ্রেশনের জন্য একটি ওপেন-সোর্স টুল — একটি মেশিন লার্নিং কাজ যা একটি নির্দিষ্ট লক্ষ্য অপ্টিমাইজ করে এমন ব্যাখ্যাযোগ্য সিম্বলিক এক্সপ্রেশন খুঁজে পায়। Julia লাইব্রেরি SymbolicRegression.jl-এর সাথে নির্মিত, এটি PySR-এর ক্ষমতা চালিত সার্চ ইঞ্জিন হিসেবে কাজ করে। pip বা conda-forge-এর মাধ্যমে ইনস্টলেশন সহজ। প্রথম ইমপোর্টে Julia নির্ভরতাগুলি স্বয়ংক্রিয়ভাবে ইনস্টল হয়। PySR রুট অ্যাক্সেস ছাড়া ক্লাস্টার পরিবেশের জন্য Docker এবং Apptainer-এর মাধ্যমে কন্টেইনারাইজড ডিপ্লয়মেন্টও সমর্থন করে। প্রধান ইন্টারফেসটি `PySRRegressor`-এর মাধ্যমে scikit-learn কনভেনশন অনুসরণ করে। ব্যবহারকারীরা সর্বাধিক এক্সপ্রেশন আকার, পুনরাবৃত্তির সংখ্যা, বাইনারি এবং ইউনারি অপারেটর, কাস্টম লস ফাংশন (Julia সিনট্যাক্সে লেখা) এবং মডেল নির্বাচন কৌশল সহ সার্চ প্যারামিটার নির্দিষ্ট করে। সার্চ ইঞ্জিন কনফিগার করা পুনরাবৃত্তিগুলির মধ্যে শত শত হাজার মিউটেশন এবং সমীকরণ মূল্যায়ন সম্পাদন করে। মূল বৈশিষ্ট্যগুলির মধ্যে রয়েছে: - Julia সিনট্যাক্সে সংজ্ঞায়িত কাস্টম অপারেটর (যেমন, `inv(x) = 1/x`) - কাস্টম এলিমেন্টওয়াইজ লস ফাংশন - ডিনয়জিং মোড (`denoise=True`) - ফিচার নির্বাচন (`select_k_features=N`) - বাধাপ্রাপ্ত সার্চ পুনরায় শুরু করতে ওয়ার্ম স্টার্ট সমর্থন - একাধিক ফরম্যাটে সমীকরণ রপ্তানি: কলযোগ্য lambda, SymPy, JAX (ডিফারেনশিয়েবল), এবং PyTorch (ডিফারেনশিয়েবল) - এক্সপ্রেশন জটিলতা নিয়ন্ত্রণের জন্য নেস্টেড অপারেটর সীমাবদ্ধতা - Slurm ক্লাস্টার ম্যানেজারের মাধ্যমে মাল্টি-নোড ক্লাস্টার সমর্থন - সংরক্ষিত মডেল অবস্থার জন্য হল অফ ফেম CSV এবং PKL সিরিয়ালাইজেশন PySR নিউরাল নেটওয়ার্কের সিম্বলিক ডিস্টিলেশনও সমর্থন করে — প্রশিক্ষিত নিউরাল নেটগুলিকে বিশ্লেষণাত্মক সমীকরণে রূপান্তর করে, যা ডিপ লার্নিং মডেলগুলি বোঝার একটি ব্যাখ্যাযোগ্য উপায় প্রদান করে। এই পদ্ধতিটি arXiv-তে উপলব্ধ সংশ্লিষ্ট গবেষণা পত্রগুলিতে বর্ণিত হয়েছে।