- ИИ-исследователь Google DeepMind AlphaEvolve помогает в открытии новых математических конструкций и алгоритмов.
- Команда с участием Теренса Тао использовала AlphaEvolve для решения задач в различных областях математики, включая теорию чисел и геометрию.
- Система сочетает машинный поиск идей с автоматической проверкой и формализацией доказательств, показывая высокую универсальность.
Недавно группа математиков и специалистов в области искусственного интеллекта представила совместное исследование, посвящённое применению ИИ-агента Google DeepMind под названием AlphaEvolve для создания новых математических конструкций и алгоритмов. Среди авторов работы значится известный математик Теренс Тао из UCLA, а также представители Google DeepMind и других ведущих университетов.
AlphaEvolve — это сложная система, объединяющая нейросети и жёсткие автоматические «оценщики» результатов. Благодаря такому подходу она способна самостоятельно заниматься научными задачами — от генерации идей до формализации доказательств. Ранее в Google сообщали, что AlphaEvolve задействуют в различных инженерных задачах, таких как оптимизация работы дата-центров и ускорение вычислительных процессов на TPU, а также планируют предоставить доступ к инструменту исследователям.
В рамках работы команда математиков формулировала задачи по анализу, комбинаторике, геометрии и теории чисел, а затем запускала AlphaEvolve в двух основных режимах. В режиме поиска система автоматически писала и улучшала программы-поисковики, перебиравшие варианты решений и оцениваемые по строгим критериям. Второй режим — генерализации — позволял создавать программы, которые выявляли закономерности сразу на множестве входных данных и формулировали общие выводы. Для некоторых задач применялись дополнительные ИИ-инструменты Google, такие как Gemini 2.5 Deep Think для выведения доказательств и AlphaProof для формальной проверки на языке Lean.
Исследователи активно взаимодействовали с системой, направляя её работу и проверяя полученные результаты. В числе достижений — улучшения решений задач над конечными полями (в частности, касающиеся вариантов проблем Kakeya и Nikodym), усиление оценок в автокорреляционных задачах, а также повышение нижней границы для конфигурации «целующихся сфер» в размерности 11 с 592 до 593. Эти примеры демонстрируют способность эволюции программ находить действенные математические конструкции.
Участники проекта отмечают, что значимость достижения заключается не в одной яркой теореме, а в универсальном характере платформы AlphaEvolve, позволяющей применять её к широкому спектру математических задач. Таким образом, интеграция искусственного интеллекта в фундаментальную математику открывает новые перспективы для автоматизации сложных научных исследований и расширения горизонтов человеческого познания.
