Die Lücke schließen: Mathematik und KI für Entdeckungen verbinden

Henry Kvinge, ein KI-Forscher am Pacific Northwest National Laboratory (PNNL), hat eine bahnbrechende Bemühung geleitet, die Lücke zwischen Mathematik und künstlicher Intelligenz zu schließen. Sein Team hat eine umfassende "Karte der Mathematik" erstellt, die auf Text-Einbettungen basiert, die aus der Lean Mathematical Library (Mathlib) stammen, einem Repository formalisierter mathematischer Beweise.

Dieses Tool bietet eine neuartige Möglichkeit, die Struktur und Beziehungen innerhalb mathematischen Wissens zu erforschen und bietet Einblicke, die sowohl KI-Entwicklern als auch Mathematikern zugute kommen könnten.

Für KI-Anwendungen eignet sich dieses Feld aufgrund seiner strukturierten Natur und der Fülle an Daten besonders gut. Um diesen interdisziplinären Ansatz zu unterstützen, haben Kvinge und sein Team Datensätze entwickelt, die reale Mathematik auf Forschungsniveau darstellen, und Tools zur Beschleunigung der mathematischen Entdeckung mit KI. Diese Ressourcen zielen darauf ab, die Effizienz und Tiefe der mathematischen Forschung zu verbessern und es Wissenschaftlern zu ermöglichen, komplexe Probleme mit größerer Präzision zu erforschen. Darüber hinaus haben sie mathematische Symmetrien innerhalb von KI-Modellen identifiziert, die neue Möglichkeiten bieten, diese Modelle intern zu interpretieren und zu erklären.

Kvings Bemühungen stehen im Einklang mit dem breiteren Engagement von PNNL für die Weiterentwicklung von KI-Technologien. Als wichtiger Partner der Genesis Mission, einer Initiative des Energieministeriums, die darauf abzielt, die leistungsstärkste wissenschaftliche Plattform der Welt zu schaffen, trägt er zu Initiativen bei, die die Entdeckung beschleunigen, die nationale Sicherheit stärken und die Energieinnovation vorantreiben.

Ein zentraler Aspekt der aktuellen Forschung von Kvinge besteht darin zu untersuchen, ob große Sprachmodelle (LLM), die Art von KI hinter Chatbots und Codierassistenten, die gleichen allgemeinen Prinzipien verwenden, die Menschen bei der Ausführung mathematischer Aufgaben anwenden. Auf der Internationalen Konferenz über maschinelles Lernen 2025 stellte er Ergebnisse aus einer Analyse der internen Berechnungen von LLM vor. Die Studie untersuchte, wie sehr diese Modelle auf mathematischen Weltmodellen angewiesen sind, die konzeptionelle Rahmenbedingungen sind, die von Menschen, Tieren und KI verwendet werden, um die Welt zu simulieren und zu verstehen. Kvinge erklärte, dass Menschen Weltmodelle basierend auf physischen Erfahrungen entwickeln, die es uns ermöglichen, Vorhersagen über zukünftige Ereignisse zu treffen.

Zum Beispiel wissen wir, dass ein Ball, der oben auf einem Hügel platziert ist, bergab rollt, ohne dabei Zeuge zu sein. Da LLMs in einer rein digitalen Umgebung operieren, dient die Mathematik als nützlicher Stellvertreter für die Untersuchung, wie diese Modelle Probleme verarbeiten und lösen. Durch den Vergleich der mathematischen Weltmodelle von LLMs mit denen von Menschen hofft Kvinge, grundlegende Mechanismen zu entdecken, die der KI-Kognition zugrunde liegen. Diese Forschung hat Auswirkungen über die KI selbst hinaus. Sie könnte zu tieferen Einblicken in die Art und Weise führen, wie Maschinen lernen und denken, was potenziell Bereiche von Bildung bis zur Kognitionswissenschaft beeinflussen könnte.

Kvinges laufende Arbeit verschiebt weiterhin die Grenzen dessen, was möglich ist, wenn Mathematik und KI zusammenarbeiten, und bietet einen Einblick in die Zukunft der computergestützten Entdeckung.