論文の概要: Large Language Model for Science: A Study on P vs. NP
- arxiv url: http://arxiv.org/abs/2309.05689v1
- Date: Mon, 11 Sep 2023 17:49:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 15:38:34.926557
- Title: Large Language Model for Science: A Study on P vs. NP
- Title(参考訳): 科学のための大規模言語モデル:P vs. NPに関する研究
- Authors: Qingxiu Dong, Li Dong, Ke Xu, Guangyan Zhou, Yaru Hao, Zhifang Sui,
Furu Wei
- Abstract要約: 大規模言語モデル(LLM)を用いて,P対NP問題の研究を促進・促進する。
具体的には、複雑な問題解決のためのLLMを用いた奥行き思考を促進する一般的なフレームワークであるソクラティック推論を提案する。
我々のP対NP問題に関するパイロット研究は、GPT-4が証明スキーマの生成に成功し、97の対話ターンを通して厳密な推論を行うことを示した。
- 参考スコア(独自算出の注目度): 88.67249044141529
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we use large language models (LLMs) to augment and accelerate
research on the P versus NP problem, one of the most important open problems in
theoretical computer science and mathematics. Specifically, we propose Socratic
reasoning, a general framework that promotes in-depth thinking with LLMs for
complex problem-solving. Socratic reasoning encourages LLMs to recursively
discover, solve, and integrate problems while facilitating self-evaluation and
refinement. Our pilot study on the P vs. NP problem shows that GPT-4
successfully produces a proof schema and engages in rigorous reasoning
throughout 97 dialogue turns, concluding "P $\neq$ NP", which is in alignment
with (Xu and Zhou, 2023). The investigation uncovers novel insights within the
extensive solution space of LLMs, shedding light on LLM for Science.
- Abstract(参考訳): 本研究では、理論計算機科学と数学において最も重要な開問題の一つであるP対NP問題の研究を拡大・加速するために、大規模言語モデル(LLM)を用いる。
具体的には,複雑な問題解決のために llm を用いた深い思考を促進する汎用フレームワーク socratic reasoning を提案する。
ソクラテス的推論は、LLMが自己評価と改善を促進しながら問題を再帰的に発見し、解決し、統合することを奨励する。
P vs. NP問題に関するパイロット研究は、GPT-4が証明スキーマの生成に成功し、「P $\neq$ NP」を含む97の対話ターンを通して厳密な推論を行うことを示した(Xu and Zhou, 2023)。
この調査は、LLMの広範なソリューション空間における新たな洞察を明らかにし、LLM for Scienceに光を当てた。
関連論文リスト
- Re-Reading Improves Reasoning in Language Models [91.96027668854406]
我々は「再読解(re-reading)」とよばれる、一見単純だが非常に効果的なプロンプト戦略を導入する。
このアプローチは強化の認知原理とシームレスに一致し、LLMが深い洞察を抽出することを可能にする。
論文 参考訳(メタデータ) (2023-09-12T14:36:23Z) - Hypothesis Search: Inductive Reasoning with Language Models [41.36577403707967]
大規模言語モデル(LLM)の帰納的推論能力を改善することを提案する。
我々は LLM に対して,問題に関する複数の抽象的仮説を自然言語で提案し,その後,具体的なPython プログラムとして自然言語仮説を実装した。
我々は、ARC視覚誘導推論ベンチマーク、その変種1D-ARC、文字列変換データセットSyGuSにおけるパイプラインの有効性を検証する。
論文 参考訳(メタデータ) (2023-09-11T17:56:57Z) - Learnability with PAC Semantics for Multi-agent Beliefs [38.88111785113001]
推論と帰納の緊張は、おそらく哲学、認知、人工知能といった分野において最も根本的な問題である。
Valiant氏は、学習の課題は推論と統合されるべきである、と認識した。
古典的な包含よりも弱いが、クエリに応答する強力なモデル理論のフレームワークを可能にする。
論文 参考訳(メタデータ) (2023-06-08T18:22:46Z) - Search-in-the-Chain: Towards Accurate, Credible and Traceable Large
Language Models for Knowledge-intensive Tasks [108.17299794531348]
本稿では,情報検索 (IR) と大規模言語モデル (LLM) のインタラクションのための検索・イン・ザ・チェイン (SearChain) という新しいフレームワークを提案する。
まず、LLMはChain-of-Query(CoQ)と呼ばれるグローバルな推論チェーンを生成し、各ノードはIR指向のクエリとクエリへの応答で構成される。
第2に、IRは、CoQの各ノードの回答を検証し、IRが高い信頼を与えると、取得した情報と一致しない回答を補正する。
第3に、LLMはCoQにおける不足した知識をマークすることができ、IRはこの知識を提供することができる
論文 参考訳(メタデータ) (2023-04-28T10:15:25Z) - LLM+P: Empowering Large Language Models with Optimal Planning
Proficiency [52.095284938781695]
大規模言語モデル(LLM)は、目覚ましいゼロショットの一般化能力を示している。
古典的なプランナーは、一度形式化された方法で問題が与えられると、効率的な検索アルゴリズムを使って、正しい、あるいは最適なプランを素早く特定できる。
本稿では,従来のプランナーの強みを LLM に組み込んだ最初のフレームワークである LLM+P を紹介する。
論文 参考訳(メタデータ) (2023-04-22T20:34:03Z) - Reliable Natural Language Understanding with Large Language Models and
Answer Set Programming [0.0]
大規模言語モデル(LLM)は、様々なNLPタスクを解くためにテキストのパターンを利用することができるが、推論を必要とする問題では不足している。
LLMとAnswer Set Programming(ASP)を組み合わせたフレームワークSTARを提案する。
目標指向のASPは、この知識を確実に推論するために使用される。
論文 参考訳(メタデータ) (2023-02-07T22:37:21Z) - PAL: Program-aided Language Models [112.94785609781503]
自然言語問題を理解するために,プログラム支援言語モデル(PaL)を提案する。
PaLはソリューションステップをPythonインタプリタのようなプログラムランタイムにオフロードする。
私たちは12のベンチマークで新しい最先端の結果を設定しました。
論文 参考訳(メタデータ) (2022-11-18T18:56:13Z) - Understanding Curriculum Learning in Policy Optimization for Solving
Combinatorial Optimization Problems [62.60305771489385]
本稿では,CO問題解決のための政策最適化手法に関する最初の体系的研究について述べる。
我々は,CO 問題を潜在マルコフ決定過程 (LMDP) として自然に定式化することができ,LMDP の解法として自然政策勾配 (NPG) に収束することを示した。
また,本理論は,先行研究で用いられるカリキュラムの学習方法を,複数段階から1段階まで単純化できることを示唆している。
論文 参考訳(メタデータ) (2022-02-11T03:17:15Z) - On Theoretical Complexity and Boolean Satisfiability [0.0]
この論文は、コンピューティング理論において最も中心的な概念をいくつか導入している。
次に,Hhorn-SAT や 3-SAT などの抽出可能な変種を探索する。
最後に,3-SATから有名なNP完全グラフ問題への還元を確立する。
論文 参考訳(メタデータ) (2021-12-22T10:13:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。