Математики давно используют продвинутое ПО для обработки сложных задач, включая проверку новых гипотез. Чтобы опровергнуть очередное математическое предположение, ИИ нужно просто перебрать большое количество входных данных и подобрать хотя бы один пример, противоречащий предложенному решению. В то же время разработка гипотезы или доказательство теоремы — это более сложный процесс, требующий комбинации сразу нескольких навыков и множества логических шагов, сообщает New Scientist.

Раньше ИИ не был способен работать с доказательством теорем, но британской компании DeepMind удалось создать модель, которая с этим впервые справилась. Ученые показали, что алгоритмы машинного обучения могут предложить математикам новые пути разработки теорем. Модель создала гипотезу в области топологии и теории представлений, а также самостоятельно вывела доказанную теорему о структуре узлов — без дополнительных входных данных, подтверждающих правдивость концепции.

Интересно, что решение от DeepMind изначально было верным, но совершенно неожиданным для математиков-людей, которые не смогли его сразу понять и оценить.

В результате они пропустили часть данных от ИИ и только позже на этапе детального разбора обнаружили, что просто не смогли правильно их проанализировать. ИИ вывел настолько сложные закономерности, что без дополнительных вычислений люди не понимали, на чем основывается новое доказательство.

Теория узлов в общем случае — это изучение вложений одномерных многообразий в трехмерное евклидово пространство или в сферу. В применении к топологии теория включает также изучение особенностей плоских алгебраических кривых. ИИ от DeepMind получил детали двух несвязанных компонентов этой теории — алгебраический и геометрический — и задание — найти корреляции, как прямые, так и косвенные. Часть выведенных ИИ данных состояла из устоявшейся математики, в то время как другая содержала совершенно новые открытия.

«Мы довольно долго пытались доказать теорию, но оказалось, что она работает не так просто. Мы выяснили, что четвертая и пятая переменные от ИИ очень тонким образом соответствовали концепции. Так что на самом деле мы могли бы сэкономить немало времени, если бы приняли предложения алгоритмов за чистую монету. Машинное обучение все время понимало, что происходит», — рассказал один из авторов исследования Марк Лакенби из Оксфордского университета. Он также добавил, что после того, как дополнительные переменные были учтены, команда смогла закончить гипотезу и доказать теорему.

«Мы работали в области, где нашей интуиции бросили вызов. Мы не ожидали такой четкой связи между этими алгебраическими и геометрическими величинами, поэтому я был очень и очень удивлен», — отметил ученый.

Что касается работы ИИ с генерацией белка, то DeepMind в партнерстве с лабораторией Baker Вашингтонского университета применила эту же модель ИИ для анализа биологических структур. Алгоритмы показали, что понимают, как сворачиваются белковые последовательности, и как они могут быть перепрофилированы для создания новых соединений. Модели последовательностей, разработанные с помощью ИИ, заранее прогнозировали готовые параметры и смогли подтвердить свою надежность при тестировании in vitro.

Представители DeepMind заявили, что эти достижения принципиально отличают их алгоритмы от других моделей ИИ. DeepMind впервые удалось показать обратную связь со стороны ИИ и способность понимать многоуровневые задачи из разных областей знаний.