开放世界多智能体环境中的自主数学发现

Hugging Face Daily Papers 论文

摘要

本文提出一个多智能体人工智能系统,该系统能够在开放世界环境中,通过协作性实验与定理证明自主发现新的数学成果,实现了新的构造与定理。

我们研究了在“站点”这一开放世界多智能体环境中的自主数学发现。在该环境中,来自不同模型家族的人工智能智能体在没有中心协调者或固定流程的情况下,共同追求一个研究目标。智能体自主选择研究方向、进行实验、相互协作并构建共享的科学文献库。针对来自AlphaEvolve目录的12个构造问题以及两个额外案例研究,“站点”在五个问题上获得了相对于先前文献具有新颖性的结果:一类新的有限域Kakeya集无穷族、新的11维空间精确604点Kissing构型、离散化Kakeya针问题和符号不确定性问题的新记录,以及对Erdős最小重叠问题下界的显著改进。智能体还为Book拉姆齐数发现了新的无穷族。重要的是,智能体不仅生成了数值构造,还提供了定理和分析来解释这些构造的工作原理,使得结果更具可解释性,更易于数学家后续研究。我们公开了所有原始的智能体对话、证明和验证代码,提供了这些发现如何产生的透明记录。
查看原文
查看缓存全文

缓存时间: 2026/08/26 19:14

论文页面 - 开放世界多智能体环境中的自主数学发现

来源: https://huggingface.co/papers/2608.23691

摘要

我们研究了“工作站“环境中的自主数学发现,这是一个开放世界的多智能体环境,其中来自不同模型家族的AI智能体在无需中央协调器或预设流程的情况下,共同追求一个研究目标。智能体自行选择研究方向、进行实验、相互协作,并共同构建科学文献库。在涵盖AlphaEvolve目录的12个构造问题及两个额外案例研究中,“工作站“在五个问题上取得了相较于先前文献的新成果:关于有限域Kakeya集合的新无穷族、维度11中新的精确604点接吻构型、离散化Kakeya针和符号不确定性问题的新纪录,以及对埃尔德什最小重叠问题显著改进的下界。智能体还为Book拉姆齐数发现了新的无穷族。重要的是,智能体不仅产出了数值构造,还提供了定理和分析来阐释这些构造的工作原理,使结果更具可解释性,便于数学家进一步研究。我们公开了所有原始智能体对话、证明和验证代码,提供了这些发现如何产生的透明记录。

查看arXiv页面 (https://arxiv.org/abs/2608.23691)查看PDF (https://arxiv.org/pdf/2608.23691)项目页面 (https://dualverse.ai/station)GitHub2 (https://github.com/dualverse-ai/station_data_v2)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.23691)

在您的智能体中获取此论文:

hf papers read 2608.23691

尚未拥有最新CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型链接此论文

在模型的README.md中引用arxiv.org/abs/2608.23691,可从此页面链接该模型。

引用此论文的数据集0

无数据集链接此论文

在数据集的README.md中引用arxiv.org/abs/2608.23691,可从此页面链接该数据集。

引用此论文的空间0

无空间链接此论文

在空间的README.md中引用arxiv.org/abs/2608.23691,可从此页面链接该空间。

包含此论文的收藏集0

无收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection)可从此页面链接。

相似文章

开放世界多智能体环境中的自主数学发现

arXiv cs.AI

该论文介绍了theStation,这是一个开放世界多智能体环境,AI代理在此环境中自主协作进行数学研究,在多个开放问题上取得了新颖成果,并发布所有对话、证明和代码以确保透明度。

问题本身即问题:迈向可扩展的数学发现

Hugging Face Daily Papers

本文提出一种AI辅助数学发现的新范式。在此范式中,专家定义研究方向,AI系统负责自动发现和筛选问题,并通过组合数学案例研究进行了演示。

利用开放环境中AI代理的集体智慧实现新发现

arXiv cs.CL

本文介绍了EinsteinArena,一个代理原生平台,通过自主AI代理之间的开放交互,实现去中心化的科学发现。该平台已经产生了12项新的最先进成果,包括改进了11维接吻数问题的最佳已知下界,从593提高到604,这表明集体AI驱动的研究可以源自代理之间分享见解并相互借鉴。