REGRESSÃO SIMBÓLICA APLICADA À INTERROGAÇÃO DE GRADES DE PERÍODO LONGO UTILIZANDO REFLECTOMETRIA ÓPTICA NO DOMÍNIO DO TEMPO

Abstract

Symbolic regression has aroused interest on the part of the scientific Community due to its ability to automate the knowledge discovery process, contributing to the absorption of “insights” and formulation of hypotheses, while saving time and valuable resources during inference. Symbolic models (analytical equations) are generally more interpretable than conventional machine learning models because, instead of merely fitting parameters to a predefined equation as in linear or polynomial regressions. Symbolic regression uses algorithms to discover more flexible functional forms, with greater robustness in describing the mapping between dependent and independent variables. In this dissertation, symbolic regression was applied to the optical interrogation of a sensor, aiming to obtain analytical expressions capable of predicting the salinity concentration of a solution. The Python programming language was used for modeling and simulation through the PySR library. A significantly more concise formula than a previously proposed model was obtained, with a standard error of 0.54 g/L and a mean absolute error of 0.38 g/L.

A regressão simbólica tem despertado o interesse por parte da comunidade científica devido à capacidade de automatização do processo de descoberta do conhecimento, contribuindo para a extração de insights e formulação de hipóteses, economizando tempo no processo de inferência, bem como recursos preciosos para os pesquisadores. Os modelos simbólicos (equações analíticas) são mais facilmente interpretáveis do que os modelos de aprendizado de máquina convencionais pois, ao invés de simplesmente ajustar parâmetros em uma equação predefinida, como em regressões lineares ou polinomiais, a regressão simbólica utiliza algoritmos para descobrir formatos funcionais mais flexíveis, com maior robustez na descrição do mapeamento entre variável dependente e variáveis independentes. Nesta dissertação, a regressão simbólica foi aplicada à interrogação óptica de um sensor, objetivando a obtenção de expressões analíticas capazes de prever a concentração salina de uma solução. A linguagem de programação Python será utilizada para modelagem e simulações, por meio da biblioteca PySR. Foi obtida uma fórmula bem mais concisa do que outra previamente proposta, com um erro padrão de 0,54 g/L e com um erro absoluto médio de 0,38 g/L.