數學中的捲積理論或結理論是不是一個簡單的問題？ DeepMind 做得很好

DeepMind 基於 人工智能 並且已經多次幫助解決最困難的難題。 這一次是關於數學家多年來一直在努力解決的結

研究的主題是一種叫做猜測的東西，這是一個看似正確的未經證實的句子。 的算法 機器學習  以前曾在數學中用於發展此類理論思想，但它們並不像本例中那樣複雜。 這一突破的作者在 性質 描述。

 圖片來源：Pixabay/ 那些

研究人員移動的一般區域是所謂的 r數學. 該術語指的是受實際應用以外的啟發的數學。 這 “普通”數學 然而，它通常旨在在其他領域進行改進，以便我們在實踐中從中受益。

這方面的研究既不容易也不愉快，但機器學習，尤其是 DeepMind，提供具體支持。 這是因為它在尋找模式方面非常有效，這大大加快了得出某些結論的過程。 DeepMing 的代表與來自悉尼大學和牛津大學的科學家合作。

DeepMind 使用機器學習算法

研究團隊專注於 結理論 和表示論。 因為前者是所謂的 不變量，即相同的代數、幾何或數字量，關鍵。 研究人員決定使用 DeepMind 來尋找幾何和代數不變量之間的關係。 通過這種方式，他們可以製造所謂的 自然節點梯度 定義。

此外，DeepMind 被用來更好地理解 1970 年代後期數學家所做的一個猜想。 當時，人們認為可以查看某種類型的複雜多維圖形並找到可以表示它的方程。 在 DeepMind，他們能夠通過使用一種叫做 Kazhdan-Lusztig 多項式 方法。 即使這些進步沒有提供任何實際應用，但它們確實顯示了系統的潛力有多大。  人工智能 堵塞。