تعدّ عملية الانحدار الرمزي (Symbolic Regression) من الأدوات الرائدة في استخراج المعادلات التحليلية من البيانات، لكن تطبيقها التقليدي غالباً ما يقتصر على مخرج واحد في كل مرة مما يحد من استخدامها في الأنظمة العملية المعقدة. هنا تأتي أهمية البحث الجديد الذي يقدم أسلوب يرتكز على التكامل بين المخرجات المتعددة.

توجد في الأنظمة العملية متغيرات حالة غالباً ما ترتبط من خلال معلمات فيزيائية مشتركة، وهو ما يجعل الانحدار الرمزي المستقل يقدم معادلات دقيقة فردية ولكن يصعّب تفسيرها كنموذج موحد.

يستعرض البحث طريقة الانحدار الرمزي العصبي التطويري (Neuro-Evolutionary Symbolic Regression) التي تطمح للبحث عن هيكل رمزي مشترك تمتد عبر عدة مخرجات، مستخدمةً وحدات رمزية كامنة يتم اكتشافها مرة واحدة وإعادة استخدامها عبر نواتج إضافية أو تركيبية.

من خلال تقييم هذه الطريقة على مجموعة من المقاييس المعروفة، تم التحقق من فعاليتها في التنبؤ بنتائج معينة تتعلق بعملية التسييل الهيدروجيني. أظهرت النتائج أن ربط المخرجات ليس دائماً الحل المثالي لتقليل خطأ التنبؤ، ولكنه يوفر تشخيصاً أفضل لتناسق النتائج عند تضمين عوامل فيزيائية مشتركة في التعبيرات الكامنة.

الأدوات المستقلة مثل PySR لم تنجح في سد فجوة التناسق أو استعادة الصيغة المشتركة ذاتها. ولكن بحيث يتم التعرف على كل مخرج، كما هو الحال في معايير فان دي فوس، فإن هذا الانحدار الرمزي المستقل يمكن أن يتماشى أو يحسن النموذج المرتبط.

إجمالاً، الإطار المقترح هو عبارة عن آلة استخراج آلية منظمة بدلاً من مجرد متنبئ عام، حيث تكون قيمته القصوى عند استهداف هياكل متقطعة، مشتركة، أو يمكن التعرف عليها بشكل ضعيف أو مقيدة بالإغلاق.