論文の概要: Discovering mathematical concepts through a multi-agent system
- arxiv url: http://arxiv.org/abs/2603.04528v1
- Date: Wed, 04 Mar 2026 19:13:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:10.93774
- Title: Discovering mathematical concepts through a multi-agent system
- Title（参考訳）: マルチエージェントシステムによる数学的概念の発見
- Authors: Daattavya Aggarwal, Oisin Kim, Carl Henrik Ek, Challenger Mishra,
- Abstract要約: 計算数学的発見のための新しいマルチエージェントモデルを提案する。
我々のシステムは、研究を念頭に考え、独自の予想を示し、それを証明しようと試みる。
局所過程の正しい組み合わせの最適化は、驚くほどよく整合した数学的面白さの概念に繋がると主張している。
- 参考スコア（独自算出の注目度）: 3.820195410658766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mathematical concepts emerge through an interplay of processes, including experimentation, efforts at proof, and counterexamples. In this paper, we present a new multi-agent model for computational mathematical discovery based on this observation. Our system, conceived with research in mind, poses its own conjectures and then attempts to prove them, making decisions informed by this feedback and an evolving data distribution. Inspired by the history of Euler's conjecture for polyhedra and an open challenge in the literature, we benchmark with the task of autonomously recovering the concept of homology from polyhedral data and knowledge of linear algebra. Our system completes this learning problem. Most importantly, the experiments are ablations, statistically testing the value of the complete dynamic and controlling for experimental setup. They support our main claim: that the optimisation of the right combination of local processes can lead to surprisingly well-aligned notions of mathematical interestingness.
- Abstract（参考訳）: 数学的概念は、実験、証明への取り組み、反例を含むプロセスの相互作用を通して現れる。
本稿では,この観測に基づく計算数学的発見のための新しいマルチエージェントモデルを提案する。
我々のシステムは、研究を念頭に置いて、独自の予想を立て、それを証明しようと試み、このフィードバックと進化するデータ分布によって決定を下す。
オイラーの多面体予想の歴史と文学におけるオープンチャレンジに触発されて、多面体データからホモロジーの概念を自律的に回復する作業と線形代数の知識をベンチマークする。
私たちのシステムは、この学習問題を完遂する。
最も重要なことは、実験はアブレーションであり、完全なダイナミクスの価値を統計的にテストし、実験的な設定のために制御する。
それらは、局所的なプロセスの正しい組み合わせの最適化が、驚くほどよく整合した数学的面白さの概念につながる、という私たちの主張を支持します。
関連論文リスト
- Accelerating Scientific Research with Gemini: Case Studies and Common Techniques [105.15622072347811]
大規模言語モデル(LLM)は、科学研究を加速するための新たな道を開いた。
先進的なAIモデルとどのように協力したかを示すケーススタディのコレクションを提示する。
論文 参考訳（メタデータ） (2026-02-03T18:56:17Z) - Can Neural Networks Learn Small Algebraic Worlds? An Investigation Into the Group-theoretic Structures Learned By Narrow Models Trained To Predict Group Operations [4.635620949885696]
固定された数学的タスクを解くために訓練された狭いモデルが、研究者や他のAIシステムによって抽出できるより広い数学的構造を学習する範囲について検討する。
モデルがアイデンティティ要素、可換性、サブグループなどの重要なグループ理論概念を捉えるかどうかを評価するために設計された一連のテストについて述べる。
この結果から,小さなニューラルネットワークでも,新しい数学的対象から興味深い抽象構造を抽出することができることが示唆された。
論文 参考訳（メタデータ） (2026-01-29T01:18:22Z) - Mathematical exploration and discovery at scale [1.2341209649260667]
AlphaEvolveは、科学的および実践的な問題に対するアルゴリズム的解決策を提案し、テストし、洗練する一般的な進化的コーディングエージェントである。
その幅を示すために、数学的解析、組合せ論、幾何学、数論にまたがる67の問題を列挙した。
一部の例では、AlphaEvolveは有限個の入力値の結果を全ての入力値に有効な式に一般化することができる。
論文 参考訳（メタデータ） (2025-11-03T16:04:07Z) - Newton to Einstein: Axiom-Based Discovery via Game Design [55.30047000068118]
本稿では,ルール進化システムとして科学調査を再放送するゲームデザインフレームワークを提案する。
固定された仮定内で動作する従来のMLアプローチとは異なり、本手法は新たな理論構造の発見を可能にする。
論文 参考訳（メタデータ） (2025-09-05T18:59:18Z) - In Reverie Together: Ten Years of Mathematical Discovery with a Machine Collaborator [0.0]
自動推論システム textttTxGraffiti によって生成されるグラフ理論における4つの開予想を示す。
各予想は簡潔で、自然グラフ不変量に基づいており、数百のグラフに対して経験的に検証されている。
私たちは、人間数学者とAIシステムの両方に、それらに取り組むよう促すことを目指しています。
論文 参考訳（メタデータ） (2025-07-23T00:49:32Z) - On the Fundamental Impossibility of Hallucination Control in Large Language Models [0.0]
不合理性理論:非自明な知識集約を行うLLMは、真理的な知識表現、意味情報保存、関連する知識の啓示を同時に達成できない。
提案手法は,アイデアのオークションとして推論をモデル化し,分散コンポーネントが符号化された知識を用いて応答に影響を与えることを証明している。
幻覚と想像力は数学的に同一であり、どちらも4つの重要な性質のうちの少なくとも1つに反する。
論文 参考訳（メタデータ） (2025-06-04T23:28:39Z) - Hypothesis-Driven Theory-of-Mind Reasoning for Large Language Models [76.6028674686018]
エージェントの精神状態を追跡するための推論時間推論アルゴリズムである思考トレースを導入する。
提案アルゴリズムは,ベイズ理論をモデルとした。
本研究は,様々なベンチマークにおける思考トレーシングを評価し,大幅な性能向上を実証した。
論文 参考訳（メタデータ） (2025-02-17T15:08:50Z) - Data for Mathematical Copilots: Better Ways of Presenting Proofs for Machine Learning [85.635988711588]
我々は,大規模言語モデルの能力向上には,数学的データセットの設計におけるパラダイムシフトが必要であると論じる。
1949年にG. P'olyaが導入した「動機付き証明」の概念は、より良い証明学習信号を提供するデータセットの青写真として機能する。
数学データセットに特化して設計されたアンケートでは、クリエーターにデータセットを含めるよう促します。
論文 参考訳（メタデータ） (2024-12-19T18:55:17Z) - LeanAgent: Lifelong Learning for Formal Theorem Proving [85.39415834798385]
フォーマルな定理証明のための新しい生涯学習フレームワークであるLeanAgentを紹介する。
LeanAgentは継続的に一般化し、拡張可能な数学的知識を改善します。
これは23のリーンリポジトリにわたる155の定理の正式な証明を生成する。
論文 参考訳（メタデータ） (2024-10-08T17:11:24Z) - A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。
このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。
本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
論文 参考訳（メタデータ） (2024-05-04T17:57:24Z) - math-PVS: A Large Language Model Framework to Map Scientific
Publications to PVS Theories [10.416375584563728]
本研究では,大規模言語モデル(LLM)の高度な数学的概念の定式化への適用性について検討する。
我々は、研究論文から数学的定理を抽出し、形式化する、Emphmath-PVSと呼ばれる自動過程を構想する。
論文 参考訳（メタデータ） (2023-10-25T23:54:04Z) - A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。
大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文 参考訳（メタデータ） (2022-12-20T18:46:16Z)
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。