PhySO：面向物理的符号优化工具

PhySO 是一个基于深度强化学习的符号回归工具，用于从数据中推断解析物理定律，并支持物理单位约束与多数据集联合搜索。

这个工具是什么

PhySO（Physical Symbolic Optimization）是一个用 Python 编写的符号优化包，专为物理学设计。其符号回归模块使用深度强化学习在函数形式空间中搜索能拟合数据点的解析物理定律。该工具基于 arXiv 论文（2303.03192 与 2312.01816）实现，并遵循 MIT 许可证。PhySO 利用物理单位约束通过量纲分析缩减搜索空间，并支持类约束以寻找能同时拟合多个数据集的单一解析函数形式。它已在 Linux、OSX 和 Windows 上测试，并提供 pip 与 conda 安装方式。

核心能力

• 利用物理单位约束，通过量纲分析缩减符号回归的搜索空间。
• 支持类约束，可搜索同时拟合多个数据集的单一解析函数形式。
• 基于深度强化学习在函数形式空间中进行搜索，推断解析物理定律。
• 提供不确定性感知拟合，并支持多数据集符号回归（Class SR）。

科研中的典型用法

• 从实验或模拟数据中推断解析物理定律，例如恢复阻尼谐振子方程。
• 在存在噪声的数据上进行符号回归，利用单位约束提升搜索效率。
• 对多个相关数据集进行联合搜索，寻找共享的函数形式但允许各自拟合参数。

快速上手

可通过 pip 安装：`pip install physo`，或使用 conda：`conda install -c conda-forge physo`。入门时导入 `physo` 和 `physo.learn.monitoring`，建议固定随机种子以保证可复现性。快速上手教程参考 `demos/sr_quick_start.ipynb`，文档位于 physo.readthedocs.io。

生态与相近工具

同领域还有 PySR、gplearn 等符号回归工具。PhySO 的特色在于物理单位约束与类约束，适合物理场景下的方程发现。若需通用符号回归可考虑 PySR，若需传统遗传编程方法可参考 gplearn。选择时可根据是否需量纲分析、多数据集联合搜索等需求权衡。

项目信息

• 仓库：WassimTenachi/PhySO
• 星标：1,976　·　派生：264
• 主要语言：Python
• 许可证：MIT
• 最近提交：2026-02-21
• 项目主页：https://physo.readthedocs.io/

本文属于《学科研究工具知识库 · 物理学》第 8 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。