132年未解开的李雅普诺夫函数谜题，被Symbolic Transformer攻克了
内容提要
Meta和巴黎理工学院的研究人员用AI解决了一个132年的数学难题——李雅普诺夫函数问题。他们通过训练Transformer模型，在测试中取得了高准确率，特别是在分布外测试中表现出色。研究显示，加入少量已知样本能显著提升模型性能。这项研究展示了AI在数学推理中的潜力。
关键要点
-
Meta和巴黎理工学院的研究人员用AI解决了132年的李雅普诺夫函数问题。
-
李雅普诺夫函数用于判断动力系统的全局稳定性。
-
研究表明，加入少量已知样本显著提升模型性能。
-
训练的Transformer模型在held-out测试集上达到了99%的准确率。
-
研究者提出了一种新技术，从随机采样的李雅普诺夫函数生成训练数据。
-
三体问题是经典力学中著名的未解问题，李雅普诺夫函数可用于判断其稳定性。
-
研究者训练序列到序列Transformer来预测Lyapunov函数，定义为翻译任务。
-
生成模型可为数学家提供可能的解决方案，验证其数学正确性。
-
研究者生成了多个数据集用于训练和评估模型。
-
模型在不同数据集上的表现超越了最先进的技术和人类表现。
-
通过在训练集中加入少量前向生成的样本，模型的OOD性能显著提高。
-
基于Transformer的模型在求解多项式系统上比传统方法快得多。
-
模型发现了大量未知的Lyapunov函数，性能远超现有求解器。
-
研究者通过微调模型进一步提高性能，增加经过验证的预测样本。
延伸解读
李雅普诺夫函数的历史背景
李雅普诺夫函数问题是数学界的一个重要未解难题，涉及动力系统的稳定性。自19世纪以来，许多著名数学家如牛顿和庞加莱都曾尝试解决这一问题，但未能找到普适解。AI的介入为这一领域带来了新的希望，可能会推动相关理论的发展。
AI在数学研究中的应用前景
这项研究展示了AI在解决复杂数学问题中的潜力，尤其是在生成和验证李雅普诺夫函数方面。通过训练模型，研究者不仅提高了准确率，还发现了新的函数，这为数学家提供了新的思路和工具，可能改变传统数学研究的方式。
模型训练的创新方法
研究者采用了从随机采样的李雅普诺夫函数生成训练数据的新技术，显著提升了模型的性能。尤其是通过加入少量已知样本，模型在分布外测试中的表现得到了显著改善。这种方法的成功为未来的AI模型训练提供了新的方向。
延伸问答
李雅普诺夫函数的主要用途是什么？
李雅普诺夫函数用于判断动力系统的全局稳定性。
Meta和巴黎理工学院的研究者解决了哪个数学难题？
他们解决了困扰数学界132年的李雅普诺夫函数问题。
这项研究中使用了什么样的AI模型？
研究中使用了序列到序列的Transformer模型。
研究者如何提高模型的性能？
通过在训练集中加入少量已知样本显著提升模型性能。
李雅普诺夫函数与三体问题有什么关系？
李雅普诺夫函数可用于判断三体系统的稳定性。
研究结果显示模型在held-out测试集上的准确率是多少？
模型在held-out测试集上达到了99%的准确率。
