గణిత శాస్త్రవేత్తలు ఎలా పనిచేస్తారు అనే సమస్య
గణిత పరిశోధన అనేది మానవ కార్యకలాపాల్లో అత్యంత కఠినమైన మేధో ప్రయత్నాల్లో ఒకటి — అలాగే అనేక విధాల్లో అతి తక్కువగా ఆటోమేట్ చేయబడినది కూడా. AI systems coding, writing, మరియు data analysis ను మార్చేశాయి, కానీ higher mathematics యొక్క formal structures ఇప్పటివరకు వాటి పరిధికి పెద్దగా అందలేదు. Proofs ను కఠినమైన logic ద్వారా ధృవీకరించాలి; abstract structures లోని patterns, text కోసం పెద్ద language models ను ఉపయోగకరంగా చేసే statistical pattern-matching కు లొంగవు. Axiom Math అనే startup దీనిని మార్చడానికి మార్గం కనుగొన్నామని భావిస్తోంది, మరియు ఈ వారం అది mathematicians కోసం ఒక free tool ను విడుదల చేసింది, ఇది single laptop పై గణనీయమైన pattern-discovery సామర్థ్యాన్ని అందిస్తుంది.
Axplorer అని పిలువబడే ఈ tool, PatternBoost యొక్క democratized version — ఇది Francois Charton అభివృద్ధి చేసిన algorithm; ఆయన ఇప్పుడు Axiom లో research scientist, అంతకుముందు Meta లో పనిచేశారు. 2024లో, Charton PatternBoost ను thousands of supercomputer nodes పై మూడు వారాలు నడిపి, graph theory లోని century-old problem అయిన Turan four-cycles problem ను పరిష్కరించారు. Axplorer అదే ఫలితాన్ని Mac Pro పై రెండున్నర గంటల్లో ఇవ్వగలదు.
Axplorer ఏమి చేస్తుంది
Axplorer వెనుక ఉన్న algorithm, classical search మరియు neural network learning మధ్య మారుతూ సాగే iterative cycle ద్వారా పనిచేస్తుంది. ఇది ఒక mathematical problem కోసం large number of random candidate solutions ను తయారు చేసి, అత్యుత్తమంగా పనిచేసిన వాటిని నిలుపుకోవడంతో ప్రారంభమవుతుంది. తరువాత ఒక transformer neural network ఆ విజయవంతమైన ఉదాహరణలపై train చేయబడుతుంది, తద్వారా మంచి solution కు లక్షణాలేమిటో తెలుసుకుంటుంది. తదుపరి round లో, trained network మెరుగైన candidate లను తయారు చేస్తుంది, అవి మరో classical search phase కు seeds గా ఉపయోగపడతాయి. ఈ రెండు phase లు మారుమారుగా కొనసాగుతాయి, ప్రతి round తో solutions క్రమంగా మెరుగుపడతాయి.
ముఖ్యమైన insight ఏమిటంటే, neural network కు mathematics ను ఏ లోతైన అర్థంలోనూ అర్థం చేసుకోవాల్సిన అవసరం లేదు. ఇప్పటివరకు దొరికిన solutions లోని structural patterns ను గుర్తించడం, ఆ patterns ను ఉపయోగించి ఇంకా మెరుగైన candidates ను రూపొందించడం మాత్రమే దాని పని. అనేక iterations తర్వాత, classical search మాత్రమే ఉపయోగించి కనుగొనడం కష్టమైన solutions వస్తాయి — ప్రత్యేకించి search space విపరీతంగా పెద్దదిగా ఉన్న సమస్యల్లో, అక్కడ random exploration computationally intractable అవుతుంది.
