您现在的位置是:首页 >学无止境 >【论文阅读】机器学习指导数学(Deepmind发表在Nature的论文)网站首页学无止境
【论文阅读】机器学习指导数学(Deepmind发表在Nature的论文)
前情
这个文章不是提供一个新的技术,而是把机器学习应用到一个新的领域上
拿出来这个问题,做出在这个领域好的结果
nature是一个周刊
可能nature上人工智能的文章,一年也不超过十篇
文章一般有八页
标题:AI怎么指导人的直觉
AI是在数学定理发现的步骤中起作用
AI在拓扑学和表示学中分别起作用
技术细节会放在附录里面
标题和作者
AI来指导人的直觉,从而推进数学的进展
摘要
在做数学的时候,通常要发现一些模式,用这些模式去证明一些猜想,然后形成定理
先有结论 再去猜想
Clay研究所提出了七个公开的问题
碰到一个数学问题,可以用计算机去模拟一下,然后根据曲线去猜想
来证明我们可以通过机器学习来帮助数学家发现新的猜想和定理
通过一个framework,可以在纯数学领域取得成功
-
举了两个例子,然后证明了它
-
这个工作可以作为数学家和人工智能专家合作的桥梁
导论
在数学领域,发现一些领域并提出一些猜想
计算机虽然帮助了数学很多,但是AI没有
AI在数学里:
AI可以提供一些反例,因为AI的搜索空间特别大
可以用AI来帮忙证明定义,用AI来写论文
然后用这个工具,真的发现了两个新的定理
用AI指导数学直觉
如果想处理复杂的数学问题,需要严谨的公式化和好的直觉
有两个方法
- 训练一个模型,看模型的效果
- 通过归因技术去理解这些模式,找到权重比较大特征
数学家:提出猜想,证明猜想
AI:生成数据、训练监督学习模型、找到模式
这个框架可以帮助快速的验证一下直觉是不是值得继续往下去,可以帮助数学家节省大量的时间
拓扑学
knot theory
哪样的结是等价的,扯一扯会变成一样的
有一个办法是研究不变量,我们关心的是两个不变量
- 双曲线的不变量
- 代数的不变量
代数语言和几何语言那些东西可以一一对应起来
代数特征组、几何特征组
这里面也许还有没有被发现的关系
几何特征和代数的signature之间有点关系
做了一个归因技术,看一下哪些特征比较重要
怎么样去挖掘这个东西
提出一个猜想,然后发现不成立,然后引入了一个新的变量
解释成果,并且解释成果对学术界的影响
表示论/表征论
研究线性对称性的理论
对pair of permutations有两种表示
- unlabelled bruhat interval
- KL polynomial
输入是unlabelled bruhat interval 输出是KL polynomial
仔细去看图里是什么东西比较重要
用归因技术去看,子图里什么东西比较重要
每一个bruhat的图都可以得到一个分解,然后可以得到一个多项式
代码
在deepmind的github账号
colab有一些预装的库,也可以直接装一些库
训练完模型,可以做特征的重要值删选
也可以用autogluon来实现
autogluon做了多模型的融合,可以知道哪些模型效果最好
去看特征是不是重要的,去预测测试数据集中哪些数据是有用的
结论
用机器学习在两个完全不同的数学领域,帮助数学家分析数学物体之间属性的关系
数学家得到这些信息后去猜这些之间有什么关系,然后证明
也不是总是能够把一个问题,转换成深度学习的问题,有些问题是不太好建模的
这篇文章是奠基性的文章,数学家和机器学习家合作,可以更好地推动数学的进展
这篇文章不是提出一个很好的机器学习模型,而是机器学习工具可以很好地帮助做数学的研究,事实上用的模型越简单越好
给了两个例子,证明了一定的通用性
应该更加关注机器学习用在问题本身,而不是机器学习算法本身