Naukowcy opracowali L2G-SR, ramę pracy dla regresji symbolicznej zasilanej dużymi modelami językowymi, która dodaje nową warstwę do tradycyjnego podejścia opartego tylko na błędzie numerycznym. Zamiast polegać wyłącznie na dokładności dopasowania do danych, system trenuje weryfikator strukturalny, który uczy się oceniać, czy kandydujące równanie ma właściwą budowę matematyczną.
Klucz do rozwiązania leży w użyciu odległości edycji drzewa, czyli metody pomiaru, o ile zmian potrzebuje wyrażenie matematyczne, aby dopasować się do docelowego równania. Weryfikator najpierw wyznacza zgodność między obserwacjami numerycznymi a formułami, a następnie uczy się przypisywać oceny strukturalne - biorąc pod uwagę operatory commutacyjne i alternatywne formy wyrażeń. Podczas wyszukiwania, gdy docelowe równanie jest ukryte, weryfikator uzupełnia błąd numeryczny w wyborze kandydatów, a użytkownik może czytać jego informacje zwrotne i używać narzędzi diagnostycznych do proponowania ulepszeń.
Na benchmarku LLM-SRBench L2G-SR wykazuje najlepsze w branży wyniki zarówno pod względem numerycznego dopasowania, jak i dokładności całego równania. Wyniki wskazują, że połączenie przewodnictwa numerycznego z oceną strukturalną znacznie poprawia zdolność modeli do znalezienia rzeczywiście poprawnych równań naukowych zamiast wskazówek matematycznie bliskich, ale fałszywych odpowiedzi.