Искусственный интеллект доказывает теоремы: новый этап в математической физике

В анализе публикаций на arXiv за период до марта 2026 года наблюдается рост числа работ, использующих систему Lean для формализации доказательств, что указывает на возрастающий интерес научного сообщества к применению интерактивных теорем-доказателей в различных областях исследований.

Исследователи продемонстрировали полностью автоматизированный цикл математических исследований, в котором искусственный интеллект самостоятельно формализовал и доказал новую теорему в области математической физики.

Искусственный интеллект проектирует белки: новый подход к биомолекулярному дизайну

Система, представленная на рисунке, реализует многооборотное взаимодействие агента, где агент «Розетта» выбирает действие, а после получения от среды документации к нему, формирует вызов этого действия с соответствующими параметрами, что обеспечивает итеративный процесс уточнения и реализации намеченных целей.

Исследователи продемонстрировали, как большие языковые модели, управляющие специализированным программным обеспечением, могут автоматизировать процесс создания новых белков с заданными свойствами.

Объединяя Разрозненные Данные: Новая Теория Надежных Прогнозов

Теоретический нижний предел неопределенности, установленный для переменной [latex]Y[/latex], демонстрирует полное использование информации из доказательства [latex]E[/latex], сводя остаточную неопределенность к нулю, при этом сравнение эмпирической калибровки ошибок (ECE) показывает соответствие теоретическому пределу (0.158), а также зависимость калибровки от конфликта доказательств, описываемую уравнением [latex]y=0.248x+0.137[/latex].

В статье представлена инновационная методология для построения точных и откалиброванных предсказаний на основе объединения различных источников информации.

Диалог вместо диктовки: Искусственный интеллект, умеющий спорить

Новый подход к взаимодействию человека и ИИ предлагает агентам не просто принимать решения за нас, а аргументированно отстаивать свою позицию в диалоге.

Знаем, чего не знаем: Моделирование вероятностных рассуждений на основе множественных доказательств

Модель LPF-SPN демонстрирует превосходную точность в 97.8% и выдающуюся калибровку (ECE 1.4%), обеспечивая при этом высокую скорость обработки в 14.8 мс, в то время как варианты EDL демонстрируют катастрофический сбой, что подтверждает необходимость специализированных архитектур, способных эффективно работать с множественными источниками доказательств.

Новый подход позволяет более точно оценивать неопределенность и принимать обоснованные решения, учитывая различные источники информации.

Быстрая выборка: ускорение работы больших языковых моделей

Метод FlashSampling демонстрирует превосходство по скорости над мультиномиальной выборкой при всех рассматриваемых размерах пакетов, а также превосходит варианты FlashInfer FI1 и FI2, особенно в режиме декодирования, что указывает на его эффективность в задачах, требующих высокой производительности.

Новая методика позволяет значительно повысить скорость обработки текста в больших языковых моделях за счет оптимизации процесса выбора наиболее вероятных вариантов.

Искусственный интеллект для сложных исследований: новый подход к долгосрочному планированию

Представлены системы MiroThinker-1.7 и MiroThinker-H1, демонстрирующие передовые возможности в решении комплексных задач благодаря улучшенному обучению и акценту на проверку каждого шага рассуждений.

Искусственный интеллект как союзник: новые горизонты математических и машинных исследований

Перед началом любых измерений производительности, агент провел аудит всех формул распространения и уточнения ошибок посредством численных тестов на небольших матрицах, демонстрируя следование принципу тщательной проверки базовых расчетов.

В статье представлен практический подход к использованию возможностей искусственного интеллекта для расширения границ научных исследований в математике и машинном обучении.

Самоанализ и длинный контекст: новый подход к рассуждениям языковых моделей

Предложенная схема SRLM расширяет возможности рассуждений с использованием контекста путём добавления самоанализа с учётом неопределённости: языковая модель, работающая в среде программирования с самозапросами, внешне представляет контекст как переменную и генерирует программы для его запроса и взаимодействия, при этом три дополнительных сигнала неопределённости - самосогласованность, длина цепочки рассуждений и вербализованная уверенность - направляют выбор траектории самоанализирующего программирования без внешнего контроля, обеспечивая более надёжные и семантически обоснованные рассуждения в длинном контексте.

Исследователи представили инновационную систему, использующую саморефлексию для улучшения обработки больших объемов информации языковыми моделями.