AI löser gränser inom Ramsey-teori med AlphaEvolve

Forskare har uppnått ett betydande genombrott inom fältet Ramseyteori genom att använda AlphaEvolve, en nyskapande metaalgoritm driven av stora språkmodeller (LLM:er), för att upptäcka nya undre gränser för fem klassiska Ramseytal. Genom att höja de kända undre gränserna för R(3, 13), R(3, 18), R(4, 13), R(4, 14) och R(4, 15) har forskarlaget – bestående av bland andra Prabhakar Raghavan, Ansh Nagda och Abhradeep Thakurta – visat att AI kan lösa komplexa kombinatoriska problem som har stått stilla i årtionden. Dessa fynd markerar ett skifte från mänskligt konstruerad sökheuristik till maskinutvecklad optimering, vilket erbjuder en ny väg för att utforska de fundamentala gränserna för ordning och kaos i matematiska strukturer.

Vad är Ramseytal och varför är de så svåra att beräkna?

Ramseytal, betecknade som R(m, n), representerar det minsta antalet hörn i en komplett graf som krävs för att varje röd-blå kantfärgning måste innehålla antingen en röd klick av storlek m eller en blå klick av storlek n. De är ökända för att vara svåra att beräkna eftersom antalet möjliga graffärgningar växer exponentiellt när m och n ökar, vilket snabbt överstiger beräkningskapaciteten hos även världens mest kraftfulla superdatorer.

Ofta förklarat genom analogin "partyproblemet", söker Ramseyteori efter det minsta antalet gäster vid en sammankomst som krävs för att säkerställa att ett specifikt antal personer antingen alla känner varandra eller alla är totala främlingar. Även om konceptet är enkelt – som att R(3, 3) är lika med 6 – eskalerar komplexiteten så snabbt att det exakta värdet för R(5, 5) fortfarande är okänt. Den legendariske matematikern Paul Erdős anmärkte berömt att om en överlägsen utomjordisk kraft krävde att vi beräknade R(5, 5) eller mötte undergång, borde mänskligheten rikta alla sina resurser mot uppgiften; men om de bad om R(6, 6), borde vi istället förbereda oss för strid, eftersom beräkningen troligen är omöjlig.

Svårigheten ligger i "kaosets mitt" där matematiker försöker identifiera den första uppkomsten av ordning. Eftersom det inte finns någon känd formel för att bestämma Ramseytal direkt, förlitar sig forskare på att hitta "undre gränser" – den största kända grafstorleken som inte ännu innehåller de obligatoriska monokromatiska klickarna. Historiskt sett upptäcktes dessa gränser med hjälp av skräddarsydda engångsalgoritmer designade specifikt för ett enskilt Ramseytal, vilket gjorde processen fragmenterad och svår att applicera på andra matematiska fall.

Hur använder AlphaEvolve LLM:er för att mutera kod för matematiska bevis?

AlphaEvolve fungerar som en sofistikerad agent för kodmutation som använder stora språkmodeller för att iterativt förfina sökalgoritmer snarare än att bara generera statiska lösningar. Genom att behandla sökandet efter kombinatoriska strukturer som en evolutionär process, låter systemet LLM:en agera som en "ingenjör" som modifierar sin egen kod för att bättre navigera i det enorma och komplexa landskapet inom Ramseyteori.

Till skillnad från traditionella AI-tillämpningar som fungerar som konversationsrobotar, fungerar AlphaEvolve som en metaalgoritm. Processen börjar med en grundläggande sökstruktur, som språkmodellen sedan "muterar" genom att föreslå arkitektoniska förändringar, olika heuristiska metoder eller optimeringsstrategier. Dessa mutationer testas mot de matematiska begränsningarna i Ramseyproblemet. Framgångsrika varianter – de som hittar större grafer utan klickar – förstärks och används som bas för ytterligare mutationer. Detta skapar en feedback-loop där AI:n inte bara söker efter en graf, utan utvecklar det mest effektiva sättet att söka efter den grafen.

Metodiken som används av Prabhakar Raghavan och hans kollegor representerar ett avsteg från de "handgjorda" heuristiker som dominerat fältet i åratal. Istället för att en mänsklig matematiker spenderar månader på att förfina en specifik sökalgoritm för R(4, 13), automatiserar AlphaEvolve denna upptäcktsprocess. Detta metaalgoritmiska tillvägagångssätt är mångsidigt nog att appliceras på flera olika Ramseytal samtidigt, vilket bevisar att ett enda AI-drivet system kan ersätta dussintals specialiserade, mänskligt skrivna verktyg.

Vilka är de nya undre gränserna för R(3,13) och R(4,15)?

De nya undre gränserna som AlphaEvolve upptäckt för R(3, 13) och R(4, 15) är 61 respektive 159, vilket effektivt slår rekord som har stått sig under lång tid. Dessa resultat representerar den minsta kända storleken på en graf där de specifika Ramsey-villkoren kan undvikas, vilket ger ett snävare intervall för matematiker som söker de exakta värdena för dessa tal.

Forskningen uppdaterade framgångsrikt fem klassiska Ramseytal med följande förbättrade undre gränser:

• R(3, 13): Ökad från 60 till 61
• R(3, 18): Ökad från 99 till 100
• R(4, 13): Ökad från 138 till 139
• R(4, 14): Ökad från 147 till 148
• R(4, 15): Ökad från 158 till 159

Betydelsen av dessa fynd sträcker sig bortom talen i sig. För att validera effektiviteten hos AlphaEvolve använde forskarna systemet för att återställa alla undre gränser för Ramseytal som redan är kända som exakta. Dessutom matchade systemet de bäst kända undre gränserna i en mängd andra fall, inklusive de där de ursprungliga algoritmerna som användes av tidigare forskare aldrig offentliggjordes i detalj. Detta ger en hög grad av tillit till resultaten från AlphaEvolve och demonstrerar dess robusthet som ett verktyg för kombinatoriska upptäckter.

Evolutionen av matematisk upptäckt

Denna forskning signalerar en vändpunkt i hur stora språkmodeller tillämpas inom naturvetenskap. Medan LLM:er ofta kritiseras för sin tendens att "hallucinera" i kreativt skrivande, möjliggör deras nytta inom kodgenerering och mutation en rigorös verifieringsprocess. Inom ramen för Ramseyteori är varje resultat som produceras av AlphaEvolve matematiskt verifierbart; en graf innehåller antingen en specifik klick eller så gör den det inte. Denna objektiva sanning gör det möjligt för AI:n att snabbt misslyckas och lära sig, vilket förvandlar den från en kreativ motor till ett precisionsinstrument för matematiska bevis.

Samarbetet mellan forskarlaget och den LLM-baserade agenten överbryggar en kritisk klyfta mellan ren matematik och förstärkningsinlärning. Genom att använda AlphaEvolve har Prabhakar Raghavan och hans team flyttat fram positionerna för problem som tidigare ansågs kräva mänsklig intuition eller extremt specialiserad beräkningskunskap. Metaalgoritmens förmåga att "matcha och överträffa" historiska riktmärken tyder på att vi går in i en era där AI kan upptäcka mönster och strukturer som är för komplexa för att identifieras av mänskligt ledda sökstrategier.

Framtida implikationer och vad som händer härnäst

Framgången för AlphaEvolve inom Ramseyteori öppnar dörren för dess tillämpning på andra olösta problem inom kombinatorik och grafteori. Eftersom systemet är en metaalgoritm är det inte begränsat till Ramseytal. Forskare föreslår att det skulle kunna anpassas för att hitta extremala grafer för andra egenskaper, optimera nätverkstopologier eller till och med hjälpa till vid upptäckten av nya felrättande koder inom informationsteori.

I takt med att agentens "evolutionära" aspekt fortsätter att förbättras, kan vi få se ännu mer betydande hopp i undre gränser. Forskarna noterade att även om nuvarande förbättringar är inkrementella (ökning av gränser med 1), är dessa steg avgörande för att slutligen kunna fastställa exakta värden. Framtida versioner av AlphaEvolve kan komma att inkludera mer avancerade resonemangsförmågor, vilket gör det möjligt för AI:n att inte bara mutera sökkod utan också hypotisera om nya matematiska egenskaper som ytterligare kan begränsa sökutrymmet. För tillfället har fältet kombinatorik fått en kraftfull ny allierad i sökandet efter ordning inom grafernas oändliga komplexitet.