Los avances en el aprendizaje automático (ML), junto con el aumento del poder computacional, han permitido la identificación de patrones en datos extraídos de sistemas complejos. Se están buscando activamente algoritmos de ML para recuperar modelos físicos o ecuaciones matemáticas a partir de datos. Esta es una técnica altamente valiosa donde no se pueden construir modelos utilizando únicamente el razonamiento físico. En este artículo, investigamos la aplicación de la extracción rápida de funciones (FFX), un algoritmo de regresión simbólica rápido, escalable y determinista para recuperar ecuaciones diferenciales parciales (EDPs). FFX identifica bases activas entre un enorme conjunto de funciones base candidatas y sus correspondientes coeficientes a partir de datos de instantáneas grabadas. Este enfoque utiliza una técnica de promoción de esparcidad del muestreo compresivo y la optimización escasa llamada aprendizaje regularizado por trayectorias para realizar la selección de características y la estimación de parámetros. Además, recupera varios modelos de complejidad variable (número de términos base). FFX finalmente filtra muchos modelos identificados utilizando ordenación no dominada y forma un frente de Pareto que consiste en modelos óptimos con respecto a la minimización de la complejidad y la precisión de prueba. Se llevan a cabo experimentos numéricos para recuperar varias EDPs ubicuas, como las ecuaciones de onda y de calor entre las EDPs lineales y las ecuaciones de Burgers, Korteweg-de Vries (KdV) y Kawahara entre las EDPs no lineales de orden superior. Se realizan simulaciones adicionales sobre las mismas EDPs en condiciones ruidosas para probar la robustez del enfoque propuesto.