यह शोधपत्र बड़े पैमाने के तंत्रिका नेटवर्कों को सरल, मानव-समझने योग्य प्रतीकात्मक सूत्रों में परिवर्तित करने की एक विधि प्रस्तावित करता है। मौजूदा विधियाँ कम-सटीकता वाले छात्र मॉडल उत्पन्न करने की समस्या से ग्रस्त हैं, क्योंकि जटिल तंत्रिका नेटवर्कों द्वारा सीखे गए फलन प्रतीक खोज के लिए अपर्याप्त होते हैं। इस समस्या का समाधान करने के लिए, यह शोधपत्र एक नवीन प्रशिक्षण प्रतिमान प्रस्तुत करता है जो पूर्व-प्रशिक्षित तंत्रिका नेटवर्कों को मैन्युअल रूप से परिवर्तित करने के बजाय, जैकोबियन-आधारित नियमन का प्रयोग करता है । यह एक "शिक्षक" तंत्रिका नेटवर्क को ऐसे फलन सीखने के लिए प्रेरित करता है जो न केवल सटीक हों, बल्कि स्वाभाविक रूप से सुचारू और आसवन के लिए उपयुक्त भी हों। विभिन्न वास्तविक-विश्व समाश्रयण मानकों पर किए गए प्रयोग प्रस्तावित विधि की प्रभावशीलता को प्रदर्शित करते हैं। प्रत्येक समस्या के लिए नियमन क्षमता का अनुकूलन करके, हम एक मानक आसवन पाइपलाइन की तुलना में अंतिम आसुत प्रतीकात्मक मॉडल के $R^2$ स्कोर में औसतन 120 % (सापेक्ष) सुधार प्राप्त करते हैं , जबकि शिक्षक की पूर्वानुमानित सटीकता को बनाए रखते हैं। निष्कर्षतः, यह अध्ययन जटिल तंत्रिका नेटवर्कों से निकाले गए व्याख्या योग्य मॉडलों की सटीकता में उल्लेखनीय सुधार के लिए एक व्यावहारिक और सैद्धांतिक विधि प्रस्तुत करता है।
