AI攻破高數(shù)核心，1秒內(nèi)精確求解微分方程、不定積分，性能遠(yuǎn)超Matlab

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(luò)) 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(xué)軟件30秒的成績。

團(tuán)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(xué)，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？

巨大數(shù)據(jù)集的生成姿勢

要訓(xùn)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?jǐn)?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(tuán)隊用了三種方法：

第一種是正向生成 (Fwd)?，指生成隨機(jī)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(jī)函數(shù)，再對函數(shù)求導(dǎo)。填補(bǔ)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(dǎo)。

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(jī)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(tuán)隊用了分部積分：生成兩個隨機(jī)函數(shù)F和G，分別算出導(dǎo)數(shù)f和g。

如果fG已經(jīng)出現(xiàn)在前兩種方法得到的訓(xùn)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(xùn)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(xùn)練集。

如果fG和Fg都不在訓(xùn)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(dǎo)，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：

二階常微分方程，和它的解

二階的原理，是從一階那里擴(kuò)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(dǎo)，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(dǎo)，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(xùn)練集都有了。那么問題也來了，AI要怎么理解這些復(fù)雜的式子，然后學(xué)會求解方法呢？

將數(shù)學(xué)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(dá)式轉(zhuǎn)換為另一個表達(dá)式，研究人員認(rèn)為，這是機(jī)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(xué)表達(dá)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(fù)雜一點的例子，這樣一個偏微分表達(dá)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(biāo)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(dá)式會生成不同的樹。表達(dá)式和樹之間是一一對應(yīng)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(yīng)。

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(jī)表達(dá)式。

要創(chuàng)建訓(xùn)練數(shù)據(jù)，就需要生成隨機(jī)數(shù)學(xué)表達(dá)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(jī)表達(dá)式的算法。

使用n個內(nèi)部節(jié)點對表達(dá)式進(jìn)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(jī)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(fù)進(jìn)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(xué)表達(dá)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(jī)樹進(jìn)行采樣，從可能的運算符和整數(shù)、變量、常量列表中隨機(jī)選擇內(nèi)部節(jié)點及葉子節(jié)點來對樹進(jìn)行“裝飾”。

最后，計算表達(dá)式的數(shù)量。

經(jīng)由前面的步驟，可以看出，表達(dá)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(jìn)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(dá)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(jìn)制運算符的表達(dá)式數(shù)量就可以表示為：

如果p1 > 0，表達(dá)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(dá)式數(shù)量

勝過商業(yè)軟件

實驗中，研究人員訓(xùn)練seq2seq模型預(yù)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(zhǔn)確率進(jìn)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(zhǔn)確率。

而與最先進(jìn)的商業(yè)科學(xué)計算軟件相比，新模型不僅更快，準(zhǔn)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(fēng)，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(dāng)新方法進(jìn)行大小為50的波束搜索時，模型準(zhǔn)確率就從81.2%提升到了97%，遠(yuǎn)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(xué)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(fù)雜度比積分要高得高得高得多的問題。

還有網(wǎng)友認(rèn)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(rèn)為，在與Mathematica的對比上，研究人員的實驗設(shè)定顯得不夠嚴(yán)謹(jǐn)。

默認(rèn)設(shè)置下，Mathematica是在復(fù)數(shù)域中進(jìn)行計算的，這會增加其操作的難度。但作者把包含復(fù)數(shù)系數(shù)的表達(dá)式視作“無效”。所以他們在使用Mathematica的時候?qū)⒃O(shè)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(jī)代數(shù)系統(tǒng)有點武斷了。

但總之，面對越來越機(jī)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(xué)在讀博士。

他曾于巴黎綜合理工學(xué)院和CMU分別獲得數(shù)學(xué)與計算機(jī)科學(xué)和人工智能碩士學(xué)位。2014年進(jìn)入Facebook實習(xí)。

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(xué)和因果關(guān)系。

傳送門

https://arxiv.org/abs/1912.01412

https://news.ycombinator.com/item?id=21084748

—?完?—