Facebook AI建立了第一個(gè)可以使用符號推理解決高級數(shù)學(xué)方程的AI系統(tǒng)。通過開發(fā)一種將復(fù)雜數(shù)學(xué)表達(dá)式表示為一種語言的新方法，然后將解決方案視為序列到序列的神經(jīng)網(wǎng)絡(luò)的翻譯問題，我們構(gòu)建了一個(gè)在解決積分問題以及一階和二階微分方程方面都優(yōu)于傳統(tǒng)計(jì)算系統(tǒng)的系統(tǒng)。

以前，這類問題被認(rèn)為是深度學(xué)習(xí)模型所無法企及的，因?yàn)榍蠼鈴?fù)雜方程需要精度而不是近似值。神經(jīng)網(wǎng)絡(luò)擅長通過近似達(dá)到成功，例如認(rèn)識像素的特定模式很可能是狗的圖片，或者一種語言的句子特征匹配另一種語言的句子特征。解決復(fù)雜的方程式還需要具有處理符號數(shù)據(jù)的能力，例如方程b-4ac = 7中的字母。此類變量不能直接相加、相乘或相除，僅使用傳統(tǒng)的模式匹配或統(tǒng)計(jì)分析，神經(jīng)網(wǎng)絡(luò)就僅限于極其簡單的數(shù)學(xué)問題。

我們的解決方案是一種全新的方法，可將復(fù)雜的方程視為語言中的句子。這使得我們能夠充分利用在神經(jīng)機(jī)器翻譯（NMT）被證明有效的技術(shù)，通過訓(xùn)練模型將問題從本質(zhì)上轉(zhuǎn)化為解決方案。要實(shí)現(xiàn)此方法，需要開發(fā)一種將現(xiàn)有數(shù)學(xué)表達(dá)式分解為類似語言語法的方法，并生成一個(gè)超過100M個(gè)配對方程和解的大規(guī)模訓(xùn)練數(shù)據(jù)集。

當(dāng)出現(xiàn)數(shù)千個(gè)未知表達(dá)式時(shí)（這些方程并不是訓(xùn)練數(shù)據(jù)的一部分），我們的模型比傳統(tǒng)基于代數(shù)的方程求解軟件，例如Maple，Mathematica和Matlab，表現(xiàn)出更快的速度和更高的精度。這項(xiàng)工作不僅表明深度學(xué)習(xí)可以用于符號推理，而且還表明神經(jīng)網(wǎng)絡(luò)有潛力解決各種各樣的任務(wù)，包括那些與模式識別不相關(guān)的任務(wù)。我們將分享我們的方法以及產(chǎn)生相似訓(xùn)練集方法的細(xì)節(jié)。

一種應(yīng)用NMT的新方法

擅長符號數(shù)學(xué)的人經(jīng)常依靠一種直覺。他們對給定問題的解決方案應(yīng)該是什么有一種感覺，例如觀察被積分函數(shù)中是否存在余弦，這意味著其積分可能存在正弦，然后進(jìn)行必要的工作以證明這個(gè)直覺。

這與代數(shù)所需的直接計(jì)算不同。通過訓(xùn)練模型來檢測符號方程中的模式，我們相信神經(jīng)網(wǎng)絡(luò)可以將導(dǎo)致其解決方案的線索拼湊起來，大致類似于人類對復(fù)雜問題的基于直覺的方法。因此，我們開始探索將符號推理作為NMT問題，在該模型中，模型可以根據(jù)問題示例及其匹配的解決方案來預(yù)測可能的解決方案。

作為示例，我們的方法將展示如何把左側(cè)的現(xiàn)有方程擴(kuò)展為可以用作翻譯模型輸入的表達(dá)式樹。對于該方程，輸入到模型中的預(yù)序列為：（加，乘，3，乘方，x，2，減，余弦，乘，2，x，1）

為了使用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)此應(yīng)用，我們需要一種新穎的方式來表示數(shù)學(xué)表達(dá)式。NMT系統(tǒng)通常是序列到序列（seq2seq）模型，使用單詞序列作為輸入，并輸出新的序列，從而允許它們翻譯完整的句子而不是單個(gè)單詞。我們使用了兩步方法將此方法應(yīng)用于符號方程。

首先，我們開發(fā)了一種有效地分解方程的過程，將被分解后的方程布置在樹狀結(jié)構(gòu)的分支中，這個(gè)樹狀結(jié)構(gòu)隨后被擴(kuò)展為與seq2seq模型兼容的序列。常量和變量充當(dāng)葉子，而運(yùn)算符（例如加號和減號）和函數(shù)是連接樹的分支的內(nèi)部節(jié)點(diǎn)。

盡管它看起來可能不像傳統(tǒng)語言，但以這種方式組織表達(dá)式可為方程提供類似于語言的語法，數(shù)字和變量是名詞，而運(yùn)算符則充當(dāng)動詞。

我們的方法使NMT模型可以學(xué)習(xí)將給定樹狀結(jié)構(gòu)問題的模式與其匹配的方程的解（也表示為樹）對齊，類似于將一種語言的句子與經(jīng)過確認(rèn)的翻譯相匹配。這種方法使我們能夠利用功能強(qiáng)大的現(xiàn)成的seq2seq NMT模型，將單詞序列替換為符號序列。

建立新的訓(xùn)練數(shù)據(jù)集

盡管我們的表達(dá)式——樹語法使NMT模型在理論上有可能有效地將復(fù)雜的數(shù)學(xué)問題轉(zhuǎn)化為方程的解，但是訓(xùn)練這樣的模型將需要大量示例。而且，因?yàn)樵谖覀冴P(guān)注的兩類問題（積分和微分方程）中，隨機(jī)生成的問題并不總是具有解，所以我們不能簡單地收集方程并將其輸入系統(tǒng)。

我們需要生成一個(gè)全新的訓(xùn)練集，其中包括重新構(gòu)造為模型可讀的表達(dá)式樹的已解方程的示例。這產(chǎn)生了方程和解的二元組，類似于在各種語言之間翻譯的句子語料庫。

我們的集合還必須比該領(lǐng)域以前的研究中使用的訓(xùn)練數(shù)據(jù)大得多，后者曾嘗試對數(shù)千個(gè)示例進(jìn)行系統(tǒng)訓(xùn)練。由于神經(jīng)網(wǎng)絡(luò)只有在擁有更多訓(xùn)練數(shù)據(jù)時(shí)才會表現(xiàn)得更好，因此我們創(chuàng)建了包含數(shù)百萬個(gè)示例的集合。

建立此數(shù)據(jù)集需要我們整合一系列數(shù)據(jù)清洗和生成技術(shù)。例如，對于我們的符號積分方程，我們翻轉(zhuǎn)了翻譯方法：不是生成問題并找到其解決方案，而是生成解決方案并找到它們的問題（它們的導(dǎo)數(shù)），這是一件容易得多的任務(wù)。

這種從解決方案中產(chǎn)生問題的方法（有時(shí)被工程師稱為陷門問題）使創(chuàng)建數(shù)百萬個(gè)積分示例變得可行。我們得出的以翻譯為靈感的數(shù)據(jù)集包括大約1億個(gè)配對示例，其中包含積分問題的子集以及一階和二階微分方程。

我們使用此數(shù)據(jù)集來訓(xùn)練具有8個(gè)attention head和6個(gè)層的seq2seq transformer模型。transformer通常用于翻譯任務(wù)，而我們的網(wǎng)絡(luò)旨在預(yù)測各種方程的解，例如確定給定函數(shù)的不定積分。為了評估模型的性能，我們向模型提供了5000種未知表達(dá)式，使系統(tǒng)識別出訓(xùn)練中未出現(xiàn)的方程模式。

我們的模型在求解積分問題時(shí)顯示出99.7％的準(zhǔn)確度，對于一階和二階微分方程，它們的準(zhǔn)確度分別為94％和81.2％。這些結(jié)果超出了我們測試的所有三個(gè)傳統(tǒng)方程求解器的結(jié)果。Mathematica取得了次佳的結(jié)果，在相同的積分問題上準(zhǔn)確度為84％，對于微分方程結(jié)果的準(zhǔn)確度為77.2％和61.6％。我們的模型還可以在不到0.5秒的時(shí)間內(nèi)返回大多數(shù)預(yù)測，而其他系統(tǒng)則需要幾分鐘來找到解決方案，有時(shí)甚至?xí)耆瑫r(shí)。

我們的模型將左側(cè)的方程式（Mathematica和Matlab都無法求解的方程式）作為輸入，并且能夠在不到一秒鐘的時(shí)間內(nèi)找到正確的解決方案（如上圖所示）。

將生成的解決方案與參考解決方案進(jìn)行比較，使我們能夠輕松，準(zhǔn)確地驗(yàn)證結(jié)果。但是我們的模型也為給定方程生成了多個(gè)解。這類似于機(jī)器翻譯中發(fā)生的事情，在機(jī)器翻譯中，有很多翻譯輸入句子的方法。

AI方程求解器的下一步是什么

目前，我們的模型適用于單變量問題，我們計(jì)劃將其擴(kuò)展為多變量方程。這種方法還可以應(yīng)用于其他基于數(shù)學(xué)和邏輯的領(lǐng)域，例如物理領(lǐng)域，從而有可能開發(fā)出可幫助科學(xué)家進(jìn)行廣泛工作的軟件。

但是我們的系統(tǒng)對于神經(jīng)網(wǎng)絡(luò)的研究和使用具有更廣泛的意義。通過在以前認(rèn)為不可行的地方發(fā)現(xiàn)一種使用深度學(xué)習(xí)的方法，這項(xiàng)工作表明其他任務(wù)可以從人工智能中受益。無論是通過將NLP技術(shù)進(jìn)一步應(yīng)用到傳統(tǒng)上與語言沒有關(guān)聯(lián)的領(lǐng)域，還是通過在新的或看似無關(guān)的任務(wù)中對模式識別進(jìn)行更開放的探索，神經(jīng)網(wǎng)絡(luò)的局限性可能來自想象力的局限，而不是技術(shù)。