Jadual Kandungan
Atau Transformer
Yang terakhir ialah model penaakulan teorem matematik yang sebelum ini dicadangkan oleh OpenAI, juga berdasarkan Transformer.
Satu Perkara Lagi
Rumah Peranti teknologi AI AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.

AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.

Apr 10, 2023 am 08:51 AM
pangkalan data ai sota

AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.

Saya perlu katakan bahawa saintis taksub memberikan pelajaran matematik AI baru-baru ini.

Tidak, pasukan Facebook juga telah menyertai keseronokan dan mencadangkan model baharu yang boleh mengautomasikan sepenuhnya demonstrasi teorem dan jauh lebih baik daripada SOTA.

Anda mesti tahu bahawa apabila teorem matematik menjadi lebih kompleks, ia hanya akan menjadi lebih sukar untuk membuktikan teorem semata-mata melalui usaha manusia.

Oleh itu, menggunakan komputer untuk menunjukkan teorem matematik telah menjadi tumpuan penyelidikan.

OpenAI sebelum ini telah mencadangkan model GPT-f yang mengkhusus dalam arah ini, yang boleh menunjukkan 56% masalah dalam Metamath.

Kaedah terbaru yang dicadangkan kali ini boleh meningkatkan jumlah ini kepada 82.6%.

Pada masa yang sama, penyelidik mengatakan bahawa kaedah ini mengambil sedikit masa dan boleh mengurangkan penggunaan pengkomputeran kepada satu persepuluh daripada yang asal berbanding dengan GPT-f.

Bolehkah dikatakan kali ini AI akan berjaya dalam pertempurannya dengan matematik

Atau Transformer

Kaedah yang dicadangkan dalam artikel ini ialah program latihan dalam talian berdasarkan Transformer? .

boleh dibahagikan secara kasar kepada tiga langkah:

Pertama , pra-latihan dalam perpustakaan bukti matematik; , memperhalusi model dasar pada set data yang diselia;

Ketiga, , latih model dasar dan model pertimbangan dalam talian.

Secara khusus, ia menggunakan algoritma carian untuk membolehkan model belajar daripada perpustakaan bukti matematik sedia ada, dan kemudian mempromosikannya untuk membuktikan lebih banyak masalah. Perpustakaan bukti matematik merangkumi tiga jenis, iaitu Metamath, Lean dan persekitaran bukti yang dibangunkan sendiri.

Ringkasnya, perpustakaan bukti ini menukar bahasa matematik biasa kepada bentuk yang serupa dengan bahasa pengaturcaraan.

Pustaka utama Metamath ialah set.mm, yang mengandungi kira-kira 38,000 bukti berdasarkan teori set ZFC.

AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.Lean lebih dikenali sebagai algoritma AI Microsoft yang boleh menyertai pertandingan IMO. Perpustakaan Lean direka untuk mengajar algoritma dengan nama yang sama semua pengetahuan matematik sarjana muda dan membiarkannya belajar untuk membuktikan teorem ini.

Matlamat utama penyelidikan ini adalah untuk membina prover yang secara automatik boleh menjana satu siri strategi yang sesuai untuk membuktikan masalah.

Untuk tujuan ini, penyelidik mencadangkan algoritma carian kalis hipergraf bukan keseimbangan berdasarkan MCTS.

MCTS diterjemahkan sebagai Carian Pokok Monte Carlo, yang sering digunakan untuk menyelesaikan masalah pokok permainan Ia terkenal kerana AlphaGo.

Proses pengendaliannya adalah untuk mencari tindakan yang menjanjikan dengan mengambil sampel secara rawak dalam ruang carian, dan kemudian mengembangkan pepohon carian berdasarkan tindakan ini.

Idea yang diterima pakai dalam kajian ini adalah serupa dengan ini.

Proses kalis carian bermula dari matlamat g, mencari kaedah ke bawah dan secara beransur-ansur berkembang menjadi hipergraf.

Apabila set kosong muncul di bawah cawangan, ini bermakna bukti optimum telah ditemui.

Akhir sekali, semasa proses perambatan belakang, rekodkan nilai nod dan jumlah bilangan operasi supertree.

Dalam pautan ini, penyelidik menganggap model strategi dan model pertimbangan.

AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.Model dasar membenarkan pensampelan oleh model pertimbangan yang menilai keupayaan strategi semasa untuk mencari bukti.

Seluruh algoritma carian menggunakan dua model di atas sebagai rujukan.

Kedua-dua model ini ialah model Transformer dan berkongsi berat.

Seterusnya, datang peringkat latihan dalam talian.

Dalam proses ini, pengawal akan menghantar penyata kepada pengesahan HTTPS tak segerak dan mengumpul data latihan dan bukti.

Pengesah kemudian akan menghantar sampel latihan kepada jurulatih yang diedarkan dan menyegerakkan salinan modelnya secara berkala.

Hasil eksperimen

AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.Dalam sesi ujian, penyelidik membandingkan HTPS dengan GPT-f.

Yang terakhir ialah model penaakulan teorem matematik yang sebelum ini dicadangkan oleh OpenAI, juga berdasarkan Transformer.

Keputusan menunjukkan bahawa model selepas latihan dalam talian boleh membuktikan 82% masalah dalam Metamath, jauh melebihi rekod sebelumnya iaitu 56.5% GPT-f.

Dalam perpustakaan Lean, model ini boleh membuktikan 43% teorem, iaitu 38% lebih tinggi daripada SOTA Berikut ialah soalan ujian IMO yang dibuktikan oleh model ini.

AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.

Tetapi ia masih belum sempurna.

AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.Sebagai contoh, dalam soalan berikut, ia tidak menyelesaikan soalan dengan cara yang paling mudah. ​​Para penyelidik berkata ini adalah kerana kesilapan dalam anotasi.

AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.

Satu Perkara Lagi

Menggunakan komputer untuk menunjukkan masalah matematik, bukti teorem empat warna adalah salah satu contoh yang paling terkenal.

Teorem empat warna adalah salah satu daripada tiga masalah utama dalam matematik moden Ia menyatakan bahawa "mana-mana peta boleh menggunakan hanya empat warna untuk mewarnakan negara dengan sempadan biasa dalam warna yang berbeza."

Memandangkan demonstrasi teorem ini memerlukan banyak pengiraan, tiada siapa yang dapat menunjukkannya sepenuhnya dalam tempoh 100 tahun selepas ia dicadangkan.

Sehingga 1976, selepas 1,200 jam dan 10 bilion penghakiman pada dua komputer di Universiti Illinois, akhirnya dapat menunjukkan bahawa mana-mana peta hanya memerlukan 4 warna untuk menandakannya. Ia mengejutkan seluruh komuniti matematik.

Selain itu, apabila masalah matematik menjadi lebih kompleks, ia menjadi lebih sukar untuk menggunakan kuasa manusia untuk memeriksa sama ada teorem itu betul.

Baru-baru ini, komuniti AI telah memberi tumpuan secara beransur-ansur kepada masalah matematik.

Pada tahun 2020, OpenAI melancarkan model penaakulan teorem matematik GPT-f, yang boleh digunakan untuk pembuktian teorem automatik.

Kaedah ini boleh melengkapkan 56.5% daripada bukti dalam set ujian, melebihi model SOTA MetaGen-IL pada masa itu sebanyak lebih daripada 30%.

Pada tahun yang sama, Microsoft juga mengeluarkan Lean, yang boleh membuat soalan ujian IMO, yang bermaksud bahawa AI boleh membuat soalan yang tidak pernah dilihat sebelum ini.

Tahun lepas, selepas OpenAI menambah pengesah pada GPT-3, prestasi masalah matematik adalah jauh lebih baik daripada kaedah penalaan halus sebelumnya, dan ia boleh mencapai 90% daripada tahap pelajar sekolah rendah.

Pada Januari tahun ini, kajian bersama dari MIT + Harvard + Columbia University + University of Waterloo menunjukkan bahawa model yang mereka cadangkan boleh melakukan matematik tinggi.

Ringkasnya, saintis bekerja keras untuk menjadikan AI, subjek separa, menjadi seni liberal dan sains.

Atas ialah kandungan terperinci AI boleh membuktikan 82% masalah dalam pangkalan data matematik SOTA baharu telah dicapai, dan ia masih berdasarkan Transformer.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Cara Memperbaiki Audio Jika anda tidak dapat mendengar sesiapa
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Kaedah apa yang digunakan untuk menukar rentetan ke dalam objek dalam vue.js? Kaedah apa yang digunakan untuk menukar rentetan ke dalam objek dalam vue.js? Apr 07, 2025 pm 09:39 PM

Apabila menukar rentetan ke objek dalam vue.js, json.parse () lebih disukai untuk rentetan json standard. Untuk rentetan JSON yang tidak standard, rentetan boleh diproses dengan menggunakan ungkapan biasa dan mengurangkan kaedah mengikut format atau url yang dikodkan. Pilih kaedah yang sesuai mengikut format rentetan dan perhatikan isu keselamatan dan pengekodan untuk mengelakkan pepijat.

Jurutera Backend Senior Remote (Platform) memerlukan kalangan Jurutera Backend Senior Remote (Platform) memerlukan kalangan Apr 08, 2025 pm 12:27 PM

Jurutera Backend Senior Remote Company Kekosongan Syarikat: Lokasi Lokasi: Jauh Pejabat Jauh Jenis: Gaji sepenuh masa: $ 130,000- $ 140,000 Penerangan Pekerjaan Mengambil bahagian dalam penyelidikan dan pembangunan aplikasi mudah alih Circle dan ciri-ciri berkaitan API awam yang meliputi keseluruhan kitaran hayat pembangunan perisian. Tanggungjawab utama kerja pembangunan secara bebas berdasarkan rubyonrails dan bekerjasama dengan pasukan react/redux/relay front-end. Membina fungsi teras dan penambahbaikan untuk aplikasi web dan bekerjasama rapat dengan pereka dan kepimpinan sepanjang proses reka bentuk berfungsi. Menggalakkan proses pembangunan positif dan mengutamakan kelajuan lelaran. Memerlukan lebih daripada 6 tahun backend aplikasi web kompleks

Vue.js Bagaimana untuk menukar pelbagai jenis rentetan ke dalam pelbagai objek? Vue.js Bagaimana untuk menukar pelbagai jenis rentetan ke dalam pelbagai objek? Apr 07, 2025 pm 09:36 PM

Ringkasan: Terdapat kaedah berikut untuk menukar array rentetan vue.js ke dalam tatasusunan objek: Kaedah asas: Gunakan fungsi peta yang sesuai dengan data yang diformat biasa. Permainan lanjutan: Menggunakan ungkapan biasa boleh mengendalikan format yang kompleks, tetapi mereka perlu ditulis dengan teliti dan dipertimbangkan. Pengoptimuman Prestasi: Memandangkan banyak data, operasi tak segerak atau perpustakaan pemprosesan data yang cekap boleh digunakan. Amalan Terbaik: Gaya Kod Jelas, Gunakan nama dan komen pembolehubah yang bermakna untuk memastikan kod ringkas.

Geospatial Laravel: Pengoptimuman peta interaktif dan sejumlah besar data Geospatial Laravel: Pengoptimuman peta interaktif dan sejumlah besar data Apr 08, 2025 pm 12:24 PM

Cecair memproses 7 juta rekod dan membuat peta interaktif dengan teknologi geospatial. Artikel ini meneroka cara memproses lebih dari 7 juta rekod menggunakan Laravel dan MySQL dan mengubahnya menjadi visualisasi peta interaktif. Keperluan Projek Cabaran Awal: Ekstrak Wawasan berharga menggunakan 7 juta rekod dalam pangkalan data MySQL. Ramai orang mula -mula mempertimbangkan bahasa pengaturcaraan, tetapi mengabaikan pangkalan data itu sendiri: Bolehkah ia memenuhi keperluan? Adakah penghijrahan data atau pelarasan struktur diperlukan? Bolehkah MySQL menahan beban data yang besar? Analisis awal: Penapis utama dan sifat perlu dikenalpasti. Selepas analisis, didapati bahawa hanya beberapa atribut yang berkaitan dengan penyelesaiannya. Kami mengesahkan kemungkinan penapis dan menetapkan beberapa sekatan untuk mengoptimumkan carian. Carian Peta Berdasarkan Bandar

Cara Menggunakan MySQL Selepas Pemasangan Cara Menggunakan MySQL Selepas Pemasangan Apr 08, 2025 am 11:48 AM

Artikel ini memperkenalkan operasi pangkalan data MySQL. Pertama, anda perlu memasang klien MySQL, seperti MySqlworkbench atau Command Line Client. 1. Gunakan perintah MySQL-Uroot-P untuk menyambung ke pelayan dan log masuk dengan kata laluan akaun root; 2. Gunakan CreateTatabase untuk membuat pangkalan data, dan gunakan Pilih pangkalan data; 3. Gunakan createtable untuk membuat jadual, menentukan medan dan jenis data; 4. Gunakan InsertInto untuk memasukkan data, data pertanyaan, kemas kini data dengan kemas kini, dan padam data dengan padam. Hanya dengan menguasai langkah -langkah ini, belajar menangani masalah biasa dan mengoptimumkan prestasi pangkalan data anda boleh menggunakan MySQL dengan cekap.

Vue dan Element-UI Cascade Drop-Down Box V-Model Binding Vue dan Element-UI Cascade Drop-Down Box V-Model Binding Apr 07, 2025 pm 08:06 PM

Vue dan Element-UI cascaded drop-down boxes v-model mengikat titik pit biasa: V-model mengikat array yang mewakili nilai yang dipilih pada setiap peringkat kotak pemilihan cascaded, bukan rentetan; Nilai awal pilihan terpilih mestilah array kosong, tidak batal atau tidak jelas; Pemuatan data dinamik memerlukan penggunaan kemahiran pengaturcaraan tak segerak untuk mengendalikan kemas kini data secara tidak segerak; Untuk set data yang besar, teknik pengoptimuman prestasi seperti menatal maya dan pemuatan malas harus dipertimbangkan.

Cara mengoptimumkan prestasi pangkalan data selepas pemasangan MySQL Cara mengoptimumkan prestasi pangkalan data selepas pemasangan MySQL Apr 08, 2025 am 11:36 AM

Pengoptimuman prestasi MySQL perlu bermula dari tiga aspek: konfigurasi pemasangan, pengindeksan dan pengoptimuman pertanyaan, pemantauan dan penalaan. 1. Selepas pemasangan, anda perlu menyesuaikan fail my.cnf mengikut konfigurasi pelayan, seperti parameter innodb_buffer_pool_size, dan tutup query_cache_size; 2. Buat indeks yang sesuai untuk mengelakkan indeks yang berlebihan, dan mengoptimumkan pernyataan pertanyaan, seperti menggunakan perintah menjelaskan untuk menganalisis pelan pelaksanaan; 3. Gunakan alat pemantauan MySQL sendiri (ShowProcessList, ShowStatus) untuk memantau kesihatan pangkalan data, dan kerap membuat semula dan mengatur pangkalan data. Hanya dengan terus mengoptimumkan langkah -langkah ini, prestasi pangkalan data MySQL diperbaiki.

Cara menyelesaikan MySQL tidak dapat dimulakan Cara menyelesaikan MySQL tidak dapat dimulakan Apr 08, 2025 pm 02:21 PM

Terdapat banyak sebab mengapa permulaan MySQL gagal, dan ia boleh didiagnosis dengan memeriksa log ralat. Penyebab umum termasuk konflik pelabuhan (periksa penghunian pelabuhan dan ubah suai konfigurasi), isu kebenaran (periksa keizinan pengguna yang menjalankan perkhidmatan), ralat fail konfigurasi (periksa tetapan parameter), rasuah direktori data (memulihkan data atau membina semula ruang meja), isu ruang jadual InnoDB (semak fail ibdata1) Apabila menyelesaikan masalah, anda harus menganalisisnya berdasarkan log ralat, cari punca utama masalah, dan mengembangkan tabiat sandaran data secara teratur untuk mencegah dan menyelesaikan masalah.

See all articles