Das Problem Mit Der Art, Wie Mathematiker Arbeiten
Mathematische Forschung ist eines der anspruchsvollsten intellektuellen Unterfangen der menschlichen Aktivität — und in vielerlei Hinsicht eines der am wenigsten automatisierten. Während KI-Systeme Codierung, Schreiben und Datenanalyse transformiert haben, bleiben die formalen Strukturen der höheren Mathematik weitgehend außerhalb ihrer Reichweite. Beweise müssen durch strenge Logik überprüft werden; Muster in abstrakten Strukturen widerstehen dem statistischen Musterabgleich, der große Sprachmodelle für Text nützlich macht. Ein Startup namens Axiom Math denkt, dass es einen Weg gefunden hat, das zu ändern, und diese Woche hat es ein kostenloses Werkzeug für Mathematiker veröffentlicht, das erhebliche Fähigkeiten zur Mustererkennung auf einem einzelnen Laptop platziert.
Das Tool, genannt Axplorer, ist eine demokratisierte Version von PatternBoost — ein Algorithmus, entwickelt von Francois Charton, einem Forschungswissenschaftler jetzt bei Axiom, der früher bei Meta arbeitete. Im Jahr 2024 nutzte Charton PatternBoost auf Tausenden von Supercomputerknoten über drei Wochen hinweg, um ein Jahrhundert altes Problem in der Graphentheorie zu lösen, das sogenannte Turan-Vier-Zyklen-Problem. Axplorer kann dieses Ergebnis in zweieinhalb Stunden auf einem Mac Pro erreichen.
Was Axplorer Tut
Der Algorithmus hinter Axplorer funktioniert durch einen iterativen Zyklus aus klassischer Suche und Lernen durch neuronale Netze. Es beginnt damit, dass eine große Anzahl zufälliger Kandidatenlösungen für ein mathematisches Problem generiert wird und die leistungsstärksten beibehalten werden. Ein Transformer-Neuronales-Netz wird dann an diesen erfolgreichen Beispielen trainiert, um zu lernen, welche Eigenschaften eine gute Lösung charakterisieren. In der nächsten Runde generiert das trainierte Netz verbesserte Kandidaten, die als Saatgut für eine weitere klassische Suchphase dienen. Die beiden Phasen wechseln ab, und jede Runde erzeugt schrittweise bessere Lösungen.
Der Schlüsseleinblick ist, dass das neuronale Netz die Mathematik in keinem tiefgreifenden Sinne verstehen muss. Es muss nur strukturelle Muster in den bisher gefundenen Lösungen erkennen und diese Muster verwenden, um die Generierung besserer Kandidaten zu leiten. Über viele Iterationen hinweg erzeugt dies Lösungen, die klassische Suche allein wahrscheinlich nicht finden würde — besonders in Problemen mit enormen Suchräumen, wo zufällige Erkundung rechnerisch nicht durchführbar ist.
