El Problema Con Cómo Trabajan los Matemáticos
La investigación matemática es uno de los esfuerzos intelectuales más exigentes en la actividad humana — y, de muchas maneras, uno de los menos automatizados. Mientras que los sistemas de AI han transformado la codificación, la escritura y el análisis de datos, las estructuras formales de las matemáticas superiores han permanecido en gran medida fuera de su alcance. Las pruebas deben verificarse mediante lógica rigurosa; los patrones en estructuras abstractas no ceden al reconocimiento de patrones estadísticos que hace útiles los grandes modelos de lenguaje para el texto. Una startup llamada Axiom Math cree que ha encontrado una manera de cambiar esto, y esta semana lanzó una herramienta gratuita para matemáticos que pone una capacidad significativa de descubrimiento de patrones en una sola laptop.
La herramienta, llamada Axplorer, es una versión democratizada de PatternBoost — un algoritmo desarrollado por Francois Charton, un científico investigador ahora en Axiom quien anteriormente trabajó en Meta. En 2024, Charton utilizó PatternBoost ejecutándose en miles de nodos de supercomputadora durante tres semanas para resolver un problema centenario en teoría de grafos llamado el problema de Turan cuatro-ciclos. Axplorer puede lograr ese resultado en dos horas y media en una Mac Pro.
Qué Hace Axplorer
El algoritmo subyacente de Axplorer funciona a través de un ciclo iterativo de búsqueda clásica y aprendizaje de redes neuronales. Comienza generando una gran cantidad de soluciones candidatas aleatorias a un problema matemático y reteniendo las de mejor desempeño. Una red neuronal transformer se entrena entonces en esos ejemplos exitosos para aprender qué propiedades caracterizan una buena solución. En la siguiente ronda, la red entrenada genera candidatos mejorados que sirven como semillas para otra fase de búsqueda clásica. Las dos fases se alternan, con cada ronda produciendo soluciones progresivamente mejores.
La idea clave es que la red neuronal no necesita entender las matemáticas en ningún sentido profundo. Solo necesita reconocer patrones estructurales en las soluciones encontradas hasta ahora y usar esos patrones para guiar la generación de mejores candidatos. A través de muchas iteraciones, esto produce soluciones que la búsqueda clásica por sí sola sería poco probable encontrar — particularmente en problemas con espacios de búsqueda enormes donde la exploración aleatoria es computacionalmente intratable.
