본 논문은 신경망 기반 방정식 발견(equation discovery)의 장단점을 분석하고, 모듈형 방정식 발견 시스템인 MGMT(Multi-Task Grammar-Guided Monte-Carlo Tree Search for Equation Discovery)를 제시합니다. MGMT는 신경망으로 안내되는 몬테카를로 트리 탐색(MCTS)을 사용하며, 지도 학습과 강화 학습을 모두 지원하고, 문맥 자유 문법으로 정의된 탐색 공간을 사용합니다. 본 논문은 방정식 발견 시스템의 바람직한 7가지 특성을 요약하고, 이러한 학습 접근 방식에 표 형태 데이터 집합을 포함시키는 것의 중요성을 강조합니다. MGMT의 모듈형 구조를 이용하여, 방정식 발견 작업에 대한 표 형태 데이터 집합의 대조 학습 보조 작업에서 표 형태 데이터 집합을 포함하기 위한 7가지 아키텍처(RNN, CNN, Transformer 등)를 비교합니다. 대부분의 모듈 조합에서 지도 학습이 강화 학습보다 성능이 우수하며, 토큰 대신 문법 규칙을 액션 공간으로 사용하는 것이 유리함을 실험적으로 보여줍니다. 또한, 위험 추구 MCTS와 AmEx-MCTS의 두 가지 MCTS 변형이 해당 탐색 방식을 사용한 방정식 발견을 향상시킬 수 있음을 보여줍니다.
