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.

Das Turan-Problem Und Was Es Offenbart

Das Turan-Vier-Zyklen-Problem fragt: Gegeben eine Menge von Punkten, wie viele Kanten können Sie zwischen ihnen zeichnen, ohne Vier-Punkt-Schleifen zu erzeugen? Das Problem berührt tiefe Strukturen in Kombinatorik und Graphentheorie, die relevant für die Analyse echter Netzwerke sind — Social-Media-Graphen, Lieferketten und Suchmaschinen-Link-Strukturen. Es hatte sich etwa ein Jahrhundert gegen Lösungen gewehrt, bevor PatternBoost es 2024 löste.

Dass PatternBoost einen massiven Supercomputer benötigte, war kein Hindernis für Meta, das routinemäßig Infrastruktur dieser Größenordnung betreibt. Aber es war ein Hindernis für praktisch jeden Mathematiker der Welt, der einen ähnlichen Ansatz auf seine eigenen offenen Probleme anwenden möchte. Durch die Konstruktion von Axplorer für die Ausführung auf einer Workstation im Massenmarktpreis hat Axiom die Verteilung des Zugriffs auf diese Klasse von mathematischer KI verändert.

Wer Hinter Axiom Math Steckt

Das Unternehmen wurde von Carina Hong gegründet, einer 24-Jährigen, die Stanford verließ, nachdem sie am MIT und in Oxford studiert hatte. Axiom wurde 2024 mit einer Geheimhaltungsklausel mit 64 Millionen Dollar Startfinanzierung bei einer Bewertung von 300 Millionen Dollar von B Capital angeführt. Neben Charton umfasst das Forschungsteam Aram Markosyan, einen Experten für KI-Sicherheit und Fairness.

Hongs Vision für das Unternehmen geht weit über Axplorer hinaus. Lösungen zu finden ist nicht alles, was Mathematiker tun — Mathematik ist explorativ und experimentell, hat sie gesagt. Manchmal entstehen Erkenntnisse aus dem Erkennen von Mustern, die vorher nicht erkannt worden waren, und solche Entdeckungen können völlig neue Zweige der Mathematik eröffnen. Das erklärte langfristige Ziel von Axiom ist das, was es mathematische Superintelligenz nennt — KI, die nicht nur bekannte Probleme lösen kann, sondern zur Entdeckung neuer mathematischer Strukturen beitragen kann.

Axplorer Ist Kostenlos Und Jetzt Verfügbar

Axiom hat Axplorer als kostenloses Tool veröffentlicht, das jedem Mathematiker zur Verfügung steht, der es installieren kann. Die Entscheidung spiegelt eine bewusste Strategie wider: Durch die weit verbreitete Verteilung des Tools in der akademischen Gemeinschaft kann Axiom Feedback sammeln, identifizieren, welche Klassen von Problemen der Algorithmus gut handhabt, und Glaubwürdigkeit in einer Gemeinschaft aufbauen, die handelsübliche KI-Unternehmungen gegenüber skeptisch ist.

Das separate Produkt des Unternehmens, AxiomProver, das sich auf formale Beweiserzeugung und Verifikation konzentriert, hat bereits Lösungen für vier zuvor ungelöste mathematische Probleme gefunden. Die Kombination aus einem Musterfindungstool und einem Beweisverifizierer stellt ein komplementäres Fähigkeitenpaar dar, das die beiden Phasen der mathematischen Forschung widerspiegelt: Vermutungen generieren und sie dann rigoros beweisen.

Wohin Geht Die Mathematische KI

Axiom betritt ein Feld, das erhebliche Investitionen und mehrere Meilenstein-Ergebnisse gesehen hat. DeepMinds AlphaProof und AlphaGeometry haben gezeigt, dass KI Probleme auf der Ebene der Internationalen Mathematik-Olympiade lösen kann. Aber Wettbewerbsprobleme, egal wie schwer, sind nur ein schmaler Streifen der Mathematik. Das ehrgeizigere Ziel — zur offenen Forschung in Bereichen wie Zahlentheorie, algebraische Topologie oder Kombinatorik beizutragen — bleibt weitgehend unerforscht.

Axioms Ansatz, der Mustererkennung und iterative Suche statt durchgängigem Theorembeweis betont, kann sich besser für die explorative Phase der mathematischen Forschung als für die Verifikationsphase eignen. Ob es genuinen neuen mathematischen Einblick generieren kann, bleibt eine offene Frage. Aber die Tatsache, dass es nun auf einem Laptop statt auf einem Supercomputer ausgeführt werden kann, ist selbst ein bedeutsamer Schritt zur Beantwortung dieser Frage.

Dieser Artikel basiert auf Berichten der MIT Technology Review. Lesen Sie den ursprünglichen Artikel.