تسعى جهود البحث في مجال حلول المعادلات التفاضلية الجزئية (PDE) إلى تحديد تعبيرات رمزية صريحة تمثل مجالات فيزيائية غير معروفة، وذلك استنادًا إلى الملاحظات ضمن قيود فيزيائية معروفة. لكن، الطرق الحالية غالبًا ما توحد دقة البيانات والتناسق الفيزيائي في نتيجة نهائية واحدة، مما يُعتبر انعدامًا في الشفافية حول عناصر معينة تؤثر على الأداء النهائي للمرشحين. هذا التغاضي عن التفاصيل يفقد الكثير من معلومات البحث ويسمح بتجاهل هياكل قابلة لإعادة الاستخدام في المرشحين الغير مثاليين.

لنقدم حلاً لهذه المشكلة، نقترح تقنية جديدة تُعرف باسم SED-MCTS، وهي طريقة بحث تعتمد على شجرة مونت كارلو التي تقوم بهضم الخبرة الهيكلية من التعبيرات المُقيمة لإعادة استخدامها في توجيه البحث عن الحلول الرمزية. تتضمن هذه الطريقة التدخلات الشجرية المضادة (counterfactual subtree interventions) التي تُقدّر المساهمات الهيكلية المحلية وتوجه الأدلة الموثوقة إلى الحواف المسؤولة عن البناء، مما يحفظ المكونات المفيدة في أرشيف هيكلي مُحسن. وتتميز هذه التقنية بقدرتها على التوسع بشكل طبيعي في الأنظمة المتعددة الفيزياء.

عبر مجموعة متنوعة من معايير الأداء الخاصة بـ PDE، تتفوق SED-MCTS في الكفاءة والمرونة، مما يؤدي إلى تحسين الأداء تحت ميزانية تقييم ثابتة وتعزيز فعالية البحث حتى في وجود ملاحظات ضبابية أو نادرة.