Obiektem badań było tzw. przypuszczenie, czyli niedowiedzione twierdzenie, które wydaje się być poprawne. Algorytmy uczenia maszynowego już wcześniej służyły do generowania takich teoretycznych pomysłów w matematyce, jednak nie były one równie skomplikowane co w tym przypadku. Autorzy tego przełomu opisali swoje dokonania na łamach Nature.
Czytaj też: Sztuczna inteligencja strzeże najpotężniejszej maszyny na świecie
Generalnym obszarem, w którym poruszali się badacze była tzw. matematyka czysta. Pojęcie to odnosi się do matematyki motywowanej zastosowaniami innymi niż praktyczne. “Zwykła” matematyka zazwyczaj ma natomiast na celu wprowadzanie usprawnień do innych dziedzin, dzięki czemu korzystając z niej możemy odnieść praktyczne korzyści.
Prowadzenie badań w tej sprawie nie należy do łatwych i przyjemnych rzeczy, jednak uczenie maszynowe, a dokładniej rzecz biorąc – DeepMind – zapewnia konkretne wsparcie. Jest ono bowiem niezwykle skuteczne w wyszukiwaniu wzorców, co znacząco przyspiesza wyciąganie pewnych wniosków. Przedstawiciele firmy DeepMing współpracowali w tym przypadku z naukowcami związanymi z uniwersytetów w Sydney i Oksfordzie.
DeepMind wykorzystuje algorytmy uczenia maszynowego
Zespół badawczy skupił się na teorii węzłów oraz teorii reprezentacji. W przypadku tej pierwszej kluczem są tzw. inwarianty, czyli algebraiczne, geometryczne bądź liczbowe wielkości, które są takie same. Naukowcy postanowili użyć DeepMind, aby znaleźć związek pomiędzy inwariantami geometrycznymi i algebraicznymi. W ten sposób udało im się zdefiniować coś, co określili mianem naturalnego nachylenia węzła.
Czytaj też: Sztuczna inteligencja przewidzi syntezę nowych materiałów
W dalszej części badania DeepMind posłużył do lepszego zrozumienia przypuszczenia, które matematycy wymyślili pod koniec lat 70. ubiegłego wieku. Założyli wtedy, że możliwe jest spojrzenie na szczególny rodzaj złożonego, wielowymiarowego wykresu i wymyślenie równania, które mogłoby go reprezentować. Dzięki DeepMind udało się zbliżyć do tego celu poprzez wykorzystanie tzw. wielomianów Kazhdana–Lusztiga. I choć tego typu postępy nie dają żadnych praktycznych zastosowań, to pokazują, jak wielki potencjał drzemie w systemach sztucznej inteligencji.