栗子 魚羊 發(fā)自 海邊邊
量子位 報(bào)道 | 公眾號(hào) QbitAI
大家都知道，AI (神經(jīng)網(wǎng)絡(luò)) 連加減法這樣的簡(jiǎn)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(huì)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(fèi)數(shù)學(xué)軟件30秒的成績(jī)。
團(tuán)隊(duì)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(xiàng)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(shí)候讓付費(fèi)軟件怎么辦？
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(gè)函數(shù)&它的微分”這樣的數(shù)據(jù)對(duì)。團(tuán)隊(duì)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(gè)運(yùn)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(duì)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?yàn)榫退愎ぞ咔蟛怀龇e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(gè)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?yàn)檫@個(gè)函數(shù)太長(zhǎng)了，隨機(jī)生成很難做到。
另外，反向生成的產(chǎn)物，大多會(huì)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(gè)問題，團(tuán)隊(duì)用了分部積分：生成兩個(gè)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(gè)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(duì)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(gè)二元函數(shù)F(x,y)說起。
有個(gè)方程F(x,y)=c，可對(duì)y求解得到y=f(x,c)。就是說有一個(gè)二元函數(shù)f，對(duì)任意x和c都滿足：
再對(duì)x求導(dǎo)，就得到一個(gè)微分方程：
fc表示從x到f(x,c)的映射，也就是這個(gè)微分方程的解。
這樣，對(duì)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(duì)數(shù)據(jù)集，只要生成一個(gè)f(x,c)，對(duì)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(duì)c2有解。
微分方程F要滿足：
把它對(duì)x求導(dǎo)，會(huì)得到：
fc1,c2表示，從x到f(x,c1,c2)的映射。
如果這個(gè)方程對(duì)c1有解，就可以推出另外一個(gè)三元函數(shù)G，它對(duì)任意x都滿足：
再對(duì)x求導(dǎo)，就會(huì)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(gè)例子：
現(xiàn)在，求積分和求解微分方程兩個(gè)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(huì)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(gè)表達(dá)式轉(zhuǎn)換為另一個(gè)表達(dá)式，研究人員認(rèn)為，這是機(jī)器翻譯的一個(gè)特殊實(shí)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(yùn)算符和函數(shù)為內(nèi)部節(jié)點(diǎn)，數(shù)字、常數(shù)和變量等為葉子節(jié)點(diǎn)。
比如 3x^2 + cos(2x) - 1 就可以表示為：
再舉一個(gè)復(fù)雜一點(diǎn)的例子，這樣一個(gè)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(yùn)算順序的歧義，照顧優(yōu)先級(jí)和關(guān)聯(lián)性，并且省去了括號(hào)。
在沒有空格、標(biāo)點(diǎn)符號(hào)、多余的括號(hào)這樣的無意義符號(hào)的情況下，不同的表達(dá)式會(huì)生成不同的樹。表達(dá)式和樹之間是一一對(duì)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(zhǎng)度，并且長(zhǎng)度可以不同。
輸入序列和輸出序列中的字詞不需要一一對(duì)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(gè)父節(jié)點(diǎn)寫在其子節(jié)點(diǎn)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?jiǎng)?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(gè)內(nèi)部節(jié)點(diǎn)對(duì)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(huì)傾向于生成深樹而非寬樹，偏左樹而非偏右樹，實(shí)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(gè)空的根節(jié)點(diǎn)開始，在每一步中確定下一個(gè)內(nèi)部節(jié)點(diǎn)在空節(jié)點(diǎn)中的位置。重復(fù)進(jìn)行直到所有內(nèi)部節(jié)點(diǎn)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(diǎn)可能只有1個(gè)子節(jié)點(diǎn)。如此，就要考慮根節(jié)點(diǎn)和下一內(nèi)部節(jié)點(diǎn)參數(shù)數(shù)量的二維概率分布，記作 L(e,n)。
接下來，就是對(duì)隨機(jī)樹進(jìn)行采樣，從可能的運(yùn)算符和整數(shù)、變量、常量列表中隨機(jī)選擇內(nèi)部節(jié)點(diǎn)及葉子節(jié)點(diǎn)來對(duì)樹進(jìn)行“裝飾”。
最后，計(jì)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(shí)際上是由一組有限的變量、常量、整數(shù)和一系列運(yùn)算符組成的。
于是，問題可以概括成：
最多包含n個(gè)內(nèi)部節(jié)點(diǎn)的樹
一組p1個(gè)一元運(yùn)算符（如cos，sin，exp，log）
一組p2個(gè)二進(jìn)制運(yùn)算符（如+，-，×，pow）
一組L個(gè)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(gè)內(nèi)部節(jié)點(diǎn)的二叉樹恰好具有n + 1個(gè)葉子節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)和葉子可以分別取p1和L個(gè)不同的值。
具有n個(gè)二進(jìn)制運(yùn)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(diǎn)和二元運(yùn)算符的數(shù)量會(huì)明顯影響問題空間的大小。
實(shí)驗(yàn)中，研究人員訓(xùn)練seq2seq模型預(yù)測(cè)給定問題的解決方案。采用的模型，是8個(gè)注意力頭（attention head），6層，512維的Transformer模型。
研究人員在一個(gè)擁有5000個(gè)方程的數(shù)據(jù)集中，對(duì)模型求解微積分方程的準(zhǔn)確率進(jìn)行了評(píng)估。
結(jié)果表明，對(duì)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(jì)算軟件相比，新模型不僅更快，準(zhǔn)確率也更高。
在包含500個(gè)方程的測(cè)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(shí)間要長(zhǎng)的多（限制時(shí)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(shí)，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。
這個(gè)會(huì)解微積分的AI一登場(chǎng)，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(jí)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(xiàng)研究太酷了，該模型能夠歸納和整合一些sympy無法實(shí)現(xiàn)的功能。
不過，也有網(wǎng)友認(rèn)為，在與Mathematica的對(duì)比上，研究人員的實(shí)驗(yàn)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(jì)算的，這會(huì)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?cè)谑褂肕athematica的時(shí)候?qū)⒃O(shè)置調(diào)整為實(shí)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(shí)間對(duì)于計(jì)算機(jī)代數(shù)系統(tǒng)有點(diǎn)武斷了。
但總之，面對(duì)越來越機(jī)智的AI，已經(jīng)有人發(fā)起了挑戰(zhàn)賽，邀請(qǐng)AI挑戰(zhàn)IMO金牌。
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(jì)算機(jī)科學(xué)和人工智能碩士學(xué)位。2014年進(jìn)入Facebook實(shí)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。
聯(lián)系客服
