Исследователи применили нейросетевую модель для решения фундаментальной математической проблемы, известной как «задача о наборе чисел» (cap set problem), которая оставалась нерешенной с 1937 года. ИИ обнаружил новые способы построения математических объектов, превзойдя результаты, полученные экспертами-математиками вручную, что открывает перспективы для использования алгоритмов в поиске доказательств сложных теоретических теорем.
Проблема касается поиска максимально возможного размера подмножества в пространстве, где никакие три точки не образуют прямую линию. Ранее математики полагались на интуицию и ограниченные вычислительные методы, однако модель, обученная на задачах комбинаторики, смогла найти более эффективные конфигурации. Это достижение демонстрирует способность нейросетей не просто обрабатывать данные, а находить нетривиальные закономерности в абстрактных структурах.
Результаты работы показывают, что современные модели могут выступать в роли полноценных соавторов в теоретической математике. В отличие от традиционных методов перебора, ИИ использовал подход, основанный на обучении с подкреплением, что позволило ему «исследовать» пространство возможных решений более гибко и находить ответы, которые ранее ускользали от внимания научного сообщества.
Ключевые факты
- Задача о наборе чисел (cap set problem) была сформулирована в 1937 году и считалась одной из классических проблем комбинаторной геометрии.
- ИИ-система использовала методы обучения с подкреплением для поиска оптимальных математических конструкций.
- Найденные алгоритмом решения оказались эффективнее всех известных ранее примеров, построенных математиками за последние десятилетия.
- Успех эксперимента подтверждает потенциал нейросетей в автоматизации поиска доказательств для задач, требующих глубокого анализа абстрактных структур.