本文共 1413 字，大约阅读时间需要 4 分钟。
AI能够生成数学公式，还是迄今尚未解决的那种问题？例如π和e这样的常数，虽然在科学领域司空见惯，但计算其高精度近似值往往令人头大。谷歌打造的拉马努金机（Ramanujan Machine）便帮上了大忙——能算近似值，还能在数学计算中快速找出精准规律。
并且就在今天，还登上了顶刊Nature。论文当中提到了两种算法。第一种是中间相遇法（The Meet-In-The-Middle）。这个算法的思路非常简单：给定一个常数c（如c=π），根据公式先计算出公式右边一个精度较低的值，并将其存入哈希表，然后通过枚举的方法来使公式左右两边的值相匹配，匹配上的值称为“hits”。随后增加hits的精度并重新比较，重复这个过程直到hits达到指定精度。这个最终的结果就提供了一个新的连分数。
有些hits值会产生误报，针对这一点，研究人员提出通过计算任意精度的有理函数来减少误报。在这个算法当中，由于公式右边的计算成本更高，所以将它的值以哈希表来存储，以空间换时间。这个哈希表也可以保存下来重新服务于公式左边的枚举，从而大大减少未来的枚举时间。
MITM-RF算法不需要任何关于基本常数的先验信息，不过有许多基本常数的结构是可以推断出来的，以此作为MITM-RF的先验信息可以有效降低空间复杂度和计算复杂度。Descent&Repel方法结合了机器学习中的梯度下降方法，通过优化问题描述为：我们可以把优化问题描述成这个样子：这里的最小值不是零维度点，而是（d-1）维的流形，其中d是给定的单一约束所预期的优化变量的数量。
研究者还观察到所有的最小值都是全局的，并且它们的误差为0，也就是说所有的梯度下降过程最后都会得到L=0的解。这个优化问题起始于一个大的点的集合，在示例当中，所有初始条件被放置在一条线上。对每一个点迭代执行梯度下降，然后强制所有的点通过库仑排斥彼此排斥。通过梯度下降步骤保证算法朝向整数格并趋向最小曲线，最后仅返回位于整数格上的解。
自动生成猜想，并不是计算机帮助推动数学发展的唯一领域。虽然许多数学家仍旧喜欢用纸、笔来工作，但是利用数学软件，确实可以操作复杂的代数表达式。计算机辅助计算在几个引人注目的结果的证明中发挥了关键作用。最近，一些数学家在人工智能方面取得了进展，人工智能不仅能进行重复的计算，还能自己做出证明。
另一个正在发展的领域是软件，它可以检查人类写的数学证明，并检查它是否正确。正如证明自动化的先驱Zeilberger所述：最终，人类将会被淘汰。随着人工智能产生的数学的复杂性增加，数学家们将会失去计算机正在做什么的轨迹，并且只能粗略地理解计算。
但尽管计算机能够提出数学表示，甚至证明它们是正确的，但如果没有人类的干预，目前还不清楚它们是否仅仅是从技术角度来区分这些数学表示。因此也有人认为，类似于拉马努金机这样的AI，只是数学工作者的一个辅助工具。
拉马努金是印度最著名的数学家之一。在20世纪早期，拉马努金对数学做出了重要贡献。他没受过正规的高等数学教育，沉迷数论，尤爱牵涉π、质数等数学常数的求和公式，以及整数分拆。拉马努金习惯以直觉导出公式，不喜作证明（事后往往证明他是对的）。他留下的那些没有证明的公式，引发了后来的大量研究。
最后，与拉马努金机相关的项目，在GitHub上已开源，戳下方链接可以去试试哦~ 参考链接：相关项目地址：
转载地址：http://liot.baihongyu.com/