Новый подход к математическим открытиям: система FAR автоматизирует поиск задач для учёных

# Проблема поиска задачи: как ИИ может помочь математикам найти решение

В современном научном мире, особенно в математике, главной «узким горлышком» становится не столько отсутствие инструментов, сколько нехватка времени экспертов и ограниченные вычислительные мощности моделей. Исследователи часто тратят непропорционально много сил на поиск интересной проблемы, а затем на проверку результатов, сгенерированных алгоритмами. Новое исследование, опубликованное на arXiv, предлагает решение этой дилеммы через автоматизированный процесс, который превращает хаос научной литературы в стройную цепочку задач для проверки.

От одной задачи к целому направлению

Традиционный подход к работе ИИ с математикой часто строится на запросе: «Вот конкретная гипотеза, найди доказательство». Этот метод, однако, быстро упирается в ограничения. Учёные — самый ценный ресурс в этом процессе — вынуждены вручную искать подходящие задачи, что отнимает драгоценное время. Кроме того, передовые модели ИИ, способные к глубокому логическому мышлению, остаются дорогим ресурсом, который не всегда целесообразно тратить на простые задачи.

Команда авторов, включая Зейю Чжэн, Шэнтонга Чжан, Джереми Авивада и других, предлагает смену парадигмы. Вместо предзаданной конкретной проблемы от человека, система получает только направление исследования, в котором эксперт обладает компетенцией. Например, вместо запроса «Докажите эту теорему о графах», исследователь говорит: «Меня интересуют открытые вопросы в области комбинаторных свойств графов». Система затем берет на себя тяжелую работу по сканированию огромного корпуса литературы.

Как работает FAR

Разработанная система названа FAR и представляет собой каскад, вдохновленный принципами поисковых систем и рекомендательных алгоритмов. Её работа делится на три ключевых этапа:

1. Найти (Find): Система анализирует широкую базу научных публикаций, ища утверждения, которые выглядят как гипотезы или нерешённые проблемы, соответствующие заданному направлению. 2. Попробовать (Attempt): Автоматические агенты ИИ пытаются сформулировать доказательства для этих гипотез или найти контрпримеры. На этом этапе отсеиваются задачи, для которых ИИ может предложить очевидное решение или понять, что задача некорректно сформулирована. 3. Рекомендовать (Recommend): Из тысяч обработанных вариантов система отбирает наиболее интересные и сложные кейсы, которые действительно требуют человеческого участия, и передаёт их авторской группе.

Этот подход позволяет перераспределить усилия: ИИ фильтрует шум, проверяя «сырой» материал, а люди фокусируются на финальной валидации и глубоком анализе оставшихся кандидатов.

Результаты пилотного проекта

Научная ценность подхода была проверена в пилотном эксперименте, направленном на область комбинаторики. Исследователи запустили систему на массиве из 5 245 научных статей по данной теме. Результатом работы первого этапа стало выявление 6 453 кандидатных гипотез или открытых проблем.

Однако главная сила системы заключается в её способности к фильтрации. После прохождения нескольких этапов оценки задачи на корректность и актуальность их количество сократилось до 4 717. Далее, на этапе логического разбора, ИИ выделил 598 потенциальных путей к решению. Итоговый список, переданный на проверку команде учёных, содержал всего 77 задач, но среди них оказалось множество значимых открытий.

Среди подтверждённых или частично решённых вопросов системы оказались проблемы, связанные с именами известных математиков: гипотезы Дэвиса—Йенсена—Перкинса—Робертса, задачи Эрдёша—Штрауса, вопросы Икенмайера—Пака—Пановой и Lund—Saraf—Wolf. Эти примеры демонстрируют, что автоматизированный поиск способен не просто генерировать мусор, а находить действительно стоящие научные вызовы.

Заключение

Предложенная модель сотрудничества человека и ИИ меняет фокус с «как найти задачу» на «как решить задачу». Это особенно важно в условиях, когда ресурсы передовых моделей ограничены, а требования к математической строгости непреклонны. Хотя система не заменяет учёных, она действует как мощный фильтр, освобождая экспертов от рутины поиска и позволяя им сосредоточиться на самой сути научного творчества.

Как и любой инструмент, FAR требует критического взгляда со стороны человека, но её способность обрабатывать тысячи источников и выдавать сжатый, качественный список перспектив для исследования делает её одним из наиболее многообещающих направлений в развитии ИИ-ассистированных научных методов.