論文の概要: NeuralCert: certified computational discovery of extremal mathematical constructions

• arxiv url: http://arxiv.org/abs/2609.30296v1
• Date: Mon, 14 Sep 2026 23:03:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.131889
• Title: NeuralCert: certified computational discovery of extremal mathematical constructions
• Title（参考訳）: NeuralCert: 極端数学的構成の認定計算発見
• Abstract要約: 本研究では,高次元変分試験関数を学習する発見・認証フレームワークを提案する。 ニューラル最適化は、3つの異なる方法で厳密な数学に寄与できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks are becoming popular in solving mathematical problems, but stochastic models do not provide mathematical exactness by themselves. This study introduces a discovery-to-certification framework in which high-dimensional variational trial functions are learned in a compact separable representation, spectrally diagnosed and pruned, and then certified exactly through multimodular evaluation. Exact certification makes the numerical proofs fully explicit and independently verifiable. This framework can be run on a standard personal computer. Across three extremal problems, we show that neural optimization can contribute to rigorous mathematics in three distinct ways: by discovering improved constructions, by exposing empirical invariants that lead to proofs, and by revealing optimization barriers whose geometry motivates new analytic or numerical representations. More broadly, these results suggest a path toward AI-assisted mathematics in which flexible computational discovery and exact certification become complementary components of a single rigorous workflow.
• Abstract（参考訳）: ニューラルネットワークは数学的な問題を解くのに人気があるが、確率的モデルはそれ自身で数学的正確性を提供しない。 本研究では,高次元変分的試行関数をコンパクトな分離表現で学習し,スペクトル診断とプルーニングを行い,マルチモジュラー評価により正確に認証する発見・検証フレームワークを提案する。 厳密な証明により、数値証明は完全に明確で独立に検証できる。 このフレームワークは、標準的なパーソナルコンピュータ上で実行することができる。 3つの極端問題にまたがって、ニューラル最適化は、3つの異なる方法で厳密な数学に寄与できることを示す: 改良された構成を発見すること、証明につながる経験的不変量を明らかにすること、幾何学が新しい解析的あるいは数値的表現を動機付ける最適化障壁を明らかにすること。 より広範に、これらの結果は、柔軟な計算発見と正確な認証が単一の厳密なワークフローの相補的なコンポーネントとなる、AI支援数学への道のりを示唆している。

関連論文リスト

• The Missing Primitive: Diagnosing and Repairing Mathematical Reasoning in Large Language Models [65.00652251189636]
  大規模言語モデル(LLM)における数学的理解を体系的に研究する第一歩を踏み出す。 本研究では,発見,生成,消化,実行の4つの異なる側面に沿って数学的推論を評価する新しいベンチマークであるhleiを提案する。 次に、学生モデルにプリミティブ誘導推論を選択的に転送するプリミティブプリミティブ自己蒸留フレームワークであるabsを紹介する。
  論文  参考訳（メタデータ） (2026-10-01T17:59:32Z)
• MathCoPilot: An Interactive System for Human-AI Symbiotic Paradigm of Mathematical Research [62.221184989046826]
  MathCoPilotは、数学研究のための新しいAI共生パラダイムを具現化したループシステムである。 MathCoPilotは3つのコア機能を統合する: 証明をナビゲート可能なステップに分解するインタラクティブな証明青写真、適応的な知識ベース検索とリーン統合された反復検証を備えた自動証明スキルオーケストレーション、トピック駆動の紙検索と自動形式化を検証可能なリーン知識ベースに統合する。
  論文  参考訳（メタデータ） (2026-07-16T05:22:40Z)
• Singularity Formation: Synergy in Theoretical, Numerical and Machine Learning Approaches [5.525024500312207]
  ナヴィエ・ストークス方程式(NSE)の形成は、クレイ賞の7つの問題のうちの1つであることで有名である。 本稿では,ペンと紙の特異点を単純化し,より単純な特異なPDEに対して体系化する頑健な分析フレームワークを提案する。 機械学習手法は,潜在的な爆発解を識別し,特徴付ける能力を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-04-18T05:24:35Z)
• Learning to Reason with Insight for Informal Theorem Proving [50.054221663394195]
  この研究では、非公式な定理における主要なボトルネックを洞察の欠如として証明する。 我々は,この本質的な推論スキルを育成し,LLMが洞察に富んだ推論を行うことを可能にする新しいフレームワークを提案する。 問題となる数学ベンチマークの実験では、この洞察・認識型生成戦略がベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2026-04-17T17:36:21Z)
• Reasoning over mathematical objects: on-policy reward modeling and test time aggregation [120.92237765735813]
  数学的オブジェクト、Principiaスイートを導出するためのトレーニングデータとベンチマークを構築し、リリースする。 オンライントレーニングは,アグリゲーションによるテスト時間計算のスケールアップにも有効であることを示す。 Qwen3-235Bやo3のような強力なLMがプリンキピアで苦戦しているのに対して、トレーニングレシピは大幅に改善されている。
  論文  参考訳（メタデータ） (2026-03-19T13:27:12Z)
• Learn and Verify: A Framework for Rigorous Verification of Physics-Informed Neural Networks [12.111053304637808]
  微分方程式の解に対して計算可能で数学的に厳密な誤差境界を提供する枠組みを提案する。 学習用DSM(Douubly Smoothed Maximum)損失と検証用インターバル算術を組み合わせることで,厳密なアフターリエラー境界をマシン検証可能な証明として計算する。
  論文  参考訳（メタデータ） (2026-01-27T17:21:33Z)
• Bhargava Cube--Inspired Quadratic Regularization for Structured Neural Embeddings [0.0]
  本稿では,Bhargava立方体に着想を得た代数的制約を数論から取り入れたニューラル表現学習手法を提案する。 本フレームワークは,学習された二次関係を満たすために埋め込みを正規化する制約付き3次元潜在空間に入力データをマッピングする。 我々はMNISTの評価を行い、99.46%の精度を達成しつつ、自然に1桁ずつクラスタリングする解釈可能な3D埋め込みを生成した。
  論文  参考訳（メタデータ） (2025-12-12T09:05:11Z)
• Advancing Mathematical Research via Human-AI Interactive Theorem Proving [16.40852561664514]
  LLMを用いた対話型定理証明と発見のためのヒューマン・イン・ザ・ループ・ワークフローを提案する。 人間の専門家は問題定式化と許容可能な仮定の制御を維持し、モデルは証明や矛盾を探索する。 このワークフローを、多様体最適化とグロバーの量子探索アルゴリズムの接続に関するケーススタディでインスタンス化する。
  論文  参考訳（メタデータ） (2025-12-10T09:16:27Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)

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。