栗子 魚羊 發(fā)自 海邊邊
量子位 報道 | 公眾號 QbitAI
大家都知道，AI (神經(jīng)網(wǎng)絡) 連加減法這樣的簡單算術(shù)都做不好：
可現(xiàn)在，AI已經(jīng)懂得微積分，把魔爪伸向你最愛的高數(shù)了。
它不光會求不定積分：
還能解常微分方程：
一階二階都可以。
這是Facebook發(fā)表的新模型，1秒給出的答案，超越了Mathematica和Matlab這兩只付費數(shù)學軟件30秒的成績。
團隊說，這是Seq2Seq和Transformer搭配食用的結(jié)果。
用自然語言處理 (NLP) 的方法來理解數(shù)學，果然行得通。
這項成果，已經(jīng)在推特上獲得了1700贊。許多小伙伴表示驚奇，比如：
感謝你們！在我原本的想象中，這完全是不可能的！
而且，據(jù)說算法很快就要開源了：
到時候讓付費軟件怎么辦？
要訓練模型做微積分題目，最重要的前提就是要有大大大的數(shù)據(jù)集。
這里有，積分數(shù)據(jù)集和常微分方程數(shù)據(jù)集的制造方法：
函數(shù)，和它的積分首先，就是要做出“一個函數(shù)&它的微分”這樣的數(shù)據(jù)對。團隊用了三種方法：
第一種是正向生成 (Fwd) ，指生成隨機函數(shù) (最多n個運算符) ，再用現(xiàn)成的工具求積分。把工具求不出的函數(shù)扔掉。
第二種是反向生成 (Bwd) ，指生成隨機函數(shù)，再對函數(shù)求導。填補了第一種方法收集不到的一些函數(shù)，因為就算工具求不出積分，也一定可以求導。
第三種是用了分部積分的反向生成 (Ibp) 。前面的反向生成有個問題，就是不太可能覆蓋到f(x)=x3sin(x)的積分：
F(x)=-x3cos(x)+3x2sin(x)+6xcos(x)-6sin(x)
因為這個函數(shù)太長了，隨機生成很難做到。
另外，反向生成的產(chǎn)物，大多會是函數(shù)的積分比函數(shù)要短，正向生成則相反。
為了解決這個問題，團隊用了分部積分：生成兩個隨機函數(shù)F和G，分別算出導數(shù)f和g。
如果fG已經(jīng)出現(xiàn)在前兩種方法得到的訓練集里，它的積分就是已知，可以用來求出Fg：
∫Fg=FG-∫fG
反過來也可以，如果Fg已經(jīng)在訓練集里，就用它的積分求出fG。
每求出一個新函數(shù)的積分，就把它加入訓練集。
如果fG和Fg都不在訓練集里，就重新生成一對F和G。
如此一來，不借助外部的積分工具，也能輕松得到x10sin(x)這樣的函數(shù)了。
一階常微分方程，和它的解從一個二元函數(shù)F(x,y)說起。
有個方程F(x,y)=c，可對y求解得到y=f(x,c)。就是說有一個二元函數(shù)f，對任意x和c都滿足：
再對x求導，就得到一個微分方程：
fc表示從x到f(x,c)的映射，也就是這個微分方程的解。
這樣，對于任何的常數(shù)c，fc都是一階微分方程的解。
把fc替換回y，就有了整潔的微分方程：
這樣一來，想做出“一階常微分方程&解”的成對數(shù)據(jù)集，只要生成一個f(x,c)，對c有解的那種，再找出它滿足的微分方程F就可以了，比如：
二階的原理，是從一階那里擴展來的，只要把f(x,c)變成f(x,c1,c2) ，對c2有解。
微分方程F要滿足：
把它對x求導，會得到：
fc1,c2表示，從x到f(x,c1,c2)的映射。
如果這個方程對c1有解，就可以推出另外一個三元函數(shù)G，它對任意x都滿足：
再對x求導，就會得到：
最后，整理出清爽的微分方程：
它的解就是fc1,c2。
至于生成過程，舉個例子：
現(xiàn)在，求積分和求解微分方程兩個訓練集都有了。那么問題也來了，AI要怎么理解這些復雜的式子，然后學會求解方法呢？
將數(shù)學視作自然語言積分方程和微分方程，都可以視作將一個表達式轉(zhuǎn)換為另一個表達式，研究人員認為，這是機器翻譯的一個特殊實例，可以用NLP的方法來解決。
第一步，是將數(shù)學表達式以樹的形式表示。
運算符和函數(shù)為內(nèi)部節(jié)點，數(shù)字、常數(shù)和變量等為葉子節(jié)點。
比如 3x^2 + cos(2x) - 1 就可以表示為：
再舉一個復雜一點的例子，這樣一個偏微分表達式：
用樹的形式表示，就是：
采用樹的形式，就能消除運算順序的歧義，照顧優(yōu)先級和關(guān)聯(lián)性，并且省去了括號。
在沒有空格、標點符號、多余的括號這樣的無意義符號的情況下，不同的表達式會生成不同的樹。表達式和樹之間是一一對應的。
第二步，引入seq2seq模型。
seq2seq模型具有兩種重要特性：
輸入和輸出序列都可以具有任意長度，并且長度可以不同。
輸入序列和輸出序列中的字詞不需要一一對應。
因此，seq2seq模型非常適合求解微積分的問題。
使用seq2seq模型生成樹，首先，要將樹映射到序列。
使用前綴表示法，將每個父節(jié)點寫在其子節(jié)點之前，從左至右列出。
比如 2 + 3 * (5 + 2)，表示為樹是：
表示為序列就是 [+ 2 * 3 + 5 2]。
樹和前綴序列之間也是一一映射的。
第三步，生成隨機表達式。
要創(chuàng)建訓練數(shù)據(jù)，就需要生成隨機數(shù)學表達式。前文已經(jīng)介紹了數(shù)據(jù)集的生成策略，這里著重講一下生成隨機表達式的算法。
使用n個內(nèi)部節(jié)點對表達式進行統(tǒng)一采樣并非易事。比如遞歸這樣的方法，就會傾向于生成深樹而非寬樹，偏左樹而非偏右樹，實際上是無法以相同的概率生成不同種類的樹的。
所以，以隨機二叉樹為例，具體的方法是：從一個空的根節(jié)點開始，在每一步中確定下一個內(nèi)部節(jié)點在空節(jié)點中的位置。重復進行直到所有內(nèi)部節(jié)點都被分配為止。
不過，在通常情況下，數(shù)學表達式樹不一定是二叉樹，內(nèi)部節(jié)點可能只有1個子節(jié)點。如此，就要考慮根節(jié)點和下一內(nèi)部節(jié)點參數(shù)數(shù)量的二維概率分布，記作 L(e,n)。
接下來，就是對隨機樹進行采樣，從可能的運算符和整數(shù)、變量、常量列表中隨機選擇內(nèi)部節(jié)點及葉子節(jié)點來對樹進行“裝飾”。
最后，計算表達式的數(shù)量。
經(jīng)由前面的步驟，可以看出，表達式實際上是由一組有限的變量、常量、整數(shù)和一系列運算符組成的。
于是，問題可以概括成：
最多包含n個內(nèi)部節(jié)點的樹一組p1個一元運算符（如cos，sin，exp，log）一組p2個二進制運算符（如+，-，×，pow）一組L個葉子值，其中包含變量（如x，y，z），常量（如e，π），整數(shù)（如 {-10，…，10}）如果p1 = 0，則表達式用二叉樹表示。
這樣，具有n個內(nèi)部節(jié)點的二叉樹恰好具有n + 1個葉子節(jié)點。每個節(jié)點和葉子可以分別取p1和L個不同的值。
具有n個二進制運算符的表達式數(shù)量就可以表示為：
如果p1 > 0，表達式數(shù)量則為：
可以觀察到，葉子節(jié)點和二元運算符的數(shù)量會明顯影響問題空間的大小。
△不同數(shù)目運算符和葉子節(jié)點的表達式數(shù)量勝過商業(yè)軟件實驗中，研究人員訓練seq2seq模型預測給定問題的解決方案。采用的模型，是8個注意力頭（attention head），6層，512維的Transformer模型。
研究人員在一個擁有5000個方程的數(shù)據(jù)集中，對模型求解微積分方程的準確率進行了評估。
結(jié)果表明，對于微分方程，波束搜索解碼能大大提高模型的準確率。
而與最先進的商業(yè)科學計算軟件相比，新模型不僅更快，準確率也更高。
在包含500個方程的測試集上，商業(yè)軟件中表現(xiàn)最好的是Mathematica。
比如，在一階微分方程中，與使用貪婪搜索解碼算法（集束大小為1）的新模型相比，Mathematica不落下風，但新方法通常1秒以內(nèi)就能解完方程，Mathematica的解題時間要長的多（限制時間30s，若超過30s則視作沒有得到解）。
而當新方法進行大小為50的波束搜索時，模型準確率就從81.2%提升到了97%，遠勝于Mathematica（77.2%）
并且，在某一些Mathematica和Matlab無力解決的問題上，新模型都給出了有效解。
△商業(yè)科學計算軟件沒有找到解的方程邀請AI參加IMO這個會解微積分的AI一登場，就吸引了眾多網(wǎng)友的目光，引發(fā)熱烈討論。網(wǎng)友們紛紛稱贊：鵝妹子嚶。
有網(wǎng)友這樣說道：
這篇論文超級有趣的地方在于，它有可能解決復雜度比積分要高得高得高得多的問題。
還有網(wǎng)友認為，這項研究太酷了，該模型能夠歸納和整合一些sympy無法實現(xiàn)的功能。
不過，也有網(wǎng)友認為，在與Mathematica的對比上，研究人員的實驗設定顯得不夠嚴謹。
默認設置下，Mathematica是在復數(shù)域中進行計算的，這會增加其操作的難度。但作者把包含復數(shù)系數(shù)的表達式視作“無效”。所以他們在使用Mathematica的時候?qū)⒃O置調(diào)整為實數(shù)域了？
我很好奇Mathematica是否可以解決該系統(tǒng)無法解決的問題。
30s的限制時間對于計算機代數(shù)系統(tǒng)有點武斷了。
但總之，面對越來越機智的AI，已經(jīng)有人發(fā)起了挑戰(zhàn)賽，邀請AI挑戰(zhàn)IMO金牌。
Facebook AI研究院出品這篇論文有兩位共同一作。
Guillaume Lample，來自法國布雷斯特，是Facebook AI研究院、皮埃爾和瑪麗·居里大學在讀博士。
他曾于巴黎綜合理工學院和CMU分別獲得數(shù)學與計算機科學和人工智能碩士學位。2014年進入Facebook實習。
Fran?ois Charton，F(xiàn)acebook AI研究院的客座企業(yè)家（Visiting entrepreneur），主要研究方向是數(shù)學和因果關(guān)系。
傳送門https://arxiv.org/abs/1912.01412
https://news.ycombinator.com/item?id=21084748
— 完 —
量子位 QbitAI · 頭條號簽約
關(guān)注我們，第一時間獲知前沿科技動態(tài)
