Func-JEPA
векторные представления для символьной математики
2 мин чтенияобновлено
Func-JEPA от исследователя Alejandro Moreno Arcas — это набор моделей на основе архитектуры JEPA (Joint-Embedding Predictive Architecture — предсказательная архитектура в пространстве эмбеддингов), которая переводит математические функции одной переменной в векторы размерности 256. В этом скрытом пространстве норма вектора совпадает с нормой функции в пространстве Соболева H¹, а математические операции вроде дифференцирования и интегрирования выполняются напрямую над векторами без символьных парсеров. Помимо основного энкодера, в релиз входят компактные модули для декодирования векторов обратно в формулы, композиции функций и восстановления формулы по точкам (символьной регрессии). Инструмент пригодится исследователям в области AI for Math, нейросимвольных вычислений и символьной регрессии.
Ключевые особенности
- Геометрия пространства Соболева: скалярные произведения и косинусы между векторами коррелируют с их реальными математическими аналогами в H¹ на уровне 0.998 и 0.993.
- Операции в латентном пространстве: отдельные модули позволяют брать производную (
35.1M), находить первообразную (7.6M) и применять композиции функций вроде sin, cos, log или sqrt (52.9M). - Символьная регрессия по 64 точкам: модуль
value_encoder(7.4M) восстанавливает латентное представление функции по выборке значений, даже при наличии шума. - Два рабочих интервала: в репозитории доступны энкодеры, обученные на отрезках
[-π, π]и[0, 5], а также версии под бенчмарк дифференциальных уравнений Lample–Charton.
Что можно сделать
- Восстанавливать формулы по числовым данным: подать 64 замера сигнала или функции и получить её аналитическую запись в виде формулы.
- Выполнять дифференцирование и интегрирование в эмбеддингах: использовать латентные операторы для поиска производных и первообразных с последующей проверкой кандидатов через SymPy.
- Исследовать нейросимвольные методы: применять предобученный энкодер как основу для задач символьной математики и решения ODE (обыкновенных дифференциальных уравнений).
Пример
import numpy as np
from fjepa import FuncJEPA
m = FuncJEPA.from_pretrained("amorarc/func-jepa")
z = m.encode("4*sin(7*x) - 3*cos(7*x)")
m.norm(z) # 12.87, H1-норма на [-pi, pi]
m.decode(m.derivative(z))[0] # 21*sin(7*x) + 28*cos(7*x)
m.regress(32 * np.cos(6 * m.nodes) + 8) # 32*cos(6*x) + 8Подробнее
Бенчмарки: точность символьного интегрирования на тестовом наборе статьи — 91.7% (с верификацией в SymPy); точная символьная регрессия по 64 точкам — 76% без шума и 62% при шуме 1%; поиск производной среди 3 956 кандидатов — 82.0%.Обучение: 2.0 млн синтетических функций из 17 семейств (сгенерированы в SymPy), 40k шагов на одной GPU с 8 ГБ VRAM за 6.6 часа.
Ограничения: поддерживает только функции одной переменной (словарь из 37 токенов, длина до 126 токенов); медианная относительная ошибка производной составляет 7%, поэтому предсказанные формулы требуют доподгонки констант; на сторонних наборах ODE Lample–Charton точность падает до 16–25%.










Комментарии