深度学习可以帮助发现逃避人类科学家的数学关系

这篇文章是我们对 AI 研究论文评论的一部分，这是一系列探索人工智能最新发现的文章。

DeepMind 的研究人员最近发表的一篇论文显示，深度学习可以帮助发现逃避人类科学家的数学关系与Alphabet旗下人工智能实验室的许多内容一样，这篇题为通过人工智能引导人类直觉来推进数学的论文受到了科技媒体的广泛关注

一些数学家和计算机科学家称赞 DeepMind 的努力和论文中的发现是突破性的其他人则持怀疑态度，并认为论文及其在大众媒体的报道中可能夸大了在数学中使用深度学习的情况

尽管如此，结果仍然令人着迷，并且可以扩展科学家发现和证明数学定理的工具箱。有消息称，随着DeepMind的75名早期员工来到Google之后，为了保护自己的利益，谷歌开始违背这项承诺，将两名创始人的收益发放往后推迟了两年时间。

通过机器学习进行数学发现的框架

在他们的论文中，DeepMind 的科学家们建议人工智能可用于在数学研究的前沿帮助发现定理和猜想他们提出了一个通过机器学习中强大的模式识别和解释方法来增强标准数学家工具包的框架

数学家首先对两个数学对象之间的关系做出假设为了验证这一假设，他们使用计算机程序为这两种类型的对象生成数据接下来，受监督的机器学习模型算法会处理数字并尝试调整将一种类型的对象映射到另一种类型的参数

研究人员写道:机器学习在这个回归过程中的关键贡献是在给定足够数量的数据的情况下可以学习的广泛的可能的非线性函数。。

如果经过训练的模型比随机猜测的表现更好，则可能表明这两个数学对象之间确实存在可发现的关系使用各种机器学习技术，研究人员可以找到与问题更相关的数据点，修改他们的假设，生成新数据并训练新模型通过重复这些步骤，他们可以缩小合理猜想的范围，并加快最终解决方案的步伐

DeepMind 的科学家将该框架描述为直觉的试验台，可以快速验证关于两个量之间关系的直觉是否值得追求，并提供有关它们如何相关的指导。

使用这个框架，DeepMind 研究人员使用深度学习实现了两个基本的新发现，一个是拓扑学，另一个是表示理论。

这项工作的一个有趣方面是它不需要已成为 DeepMind 研究支柱的大量计算能力根据该论文，这两个发现中使用的深度学习模型可以在具有单个图形处理单元的机器上几个小时内进行训练

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。