ИИ автономно решил открытую математическую проблему и завершил крупномасштабную формальную верификацию
Исследовательская группа Пекинского университета с помощью собственной системы с двумя ИИ-агентами решила гипотезу Андерсона в коммутативной алгебре и формально проверила доказательство, состоящее из 19 000 строк кода
Short Summary
Исследовательская группа AI4Math Пекинского университета впервые в Китае использовала автономную ИИ-систему для решения открытой проблемы в коммутативной алгебре — гипотезы Андерсона, предложенной в 2014 году, и успешно завершила её формальную верификацию, состоящую примерно из 19 000 строк кода на Lean 4.
Прорыв стал возможен благодаря созданной командой системе с двумя ИИ-агентами: Rethlas, который с помощью семантического поиска по миллионам математических утверждений нашёл, казалось бы, не связанную теорию для построения контрпримера, и Archon, который преобразовал доказательство в код, самостоятельно обнаружил логические пробелы в первоначальном подходе, переработал стратегию доказательства и нашёл эквивалентные пути, когда нужные математические концепции отсутствовали в библиотеке Lean.
Достижение, основанное на трёхлетней работе и междисциплинарном сотрудничестве, не только решает конкретную математическую проблему, но и подтверждает новую парадигму исследований, объединяющую ИИ и математику. Учёные призывают поддерживать такие инновации для решения крупных научно-технических задач.
Первый в Китае случай автономного решения ИИ открытой математической проблемы
Гипотеза Андерсона в коммутативной алгебре, остававшаяся нерешённой более десяти лет, была решена без прямого человеческого вмешательства на этапе поиска доказательства
Ключевую роль сыграла система с двумя ИИ-агентами
Агент Rethlas отвечал за семантический поиск и построение контрпримера, а агент Archon — за формальную верификацию, демонстрируя разделение задач и синергию
Значительное повышение эффективности формальной верификации
Система Archon выполнила работу по кодированию доказательства в 19 000 строк с эффективностью, как минимум в 10 раз превышающей производительность опытного эксперта по Lean
Создана инфраструктура для будущих исследований
Команда разработала инструменты семантического поиска LeanSearch и Matlas, которые уже используются сообществом и закладывают основу для дальнейшего слияния ИИ и математики
Text generated using AI

