Keplearn es un motor de regresión simbólica determinista escrito en Rust que busca recuperar ecuaciones de forma cerrada a partir de datos tabulares. Inspirado en el método de Johannes Kepler, el programa analiza columnas de mediciones para deducir leyes físicas compactas, como la ley de la gravitación universal, en segundos. A diferencia de los métodos de ajuste general, Keplearn utiliza una reducción recursiva de mejor primera para encontrar expresiones exactas, garantizando resultados deterministas y reproducibles byte a byte.
La herramienta opera como un binario estático sin dependencias, compatible con macOS, Windows y Linux. Lee archivos TSV o CSV desde la entrada estándar y emite candidatos en formato JSON. Su arquitectura permite que las leyes exactas se resuelvan en milisegundos, mientras que los casos difíciles están limitados por un temporizador configurable. Los constantes ajustados se redondean a racionales y múltiplos de pi, e y sqrt(2), verificando su precisión antes de aceptarlos.
Keplearn ha sido integrado en el benchmark SRBench, donde ha demostrado un rendimiento superior a otros métodos en datasets con ruido cero, alcanzando una tasa de solución del 64,7% en la suite Feynman, frente al 55,8% de AIFeynman. En datasets de caja negra sin solución analítica conocida, el rendimiento es bajo, reflejando su enfoque en leyes exactas en lugar de ajuste de curvas. El proyecto, creado por Chandler Freeman, se distribuye bajo la licencia MIT y está diseñado para científicos y desarrolladores que necesitan identificar relaciones analíticas precisas en datos experimentales.
