期末高数有救了！

统。

以前，这类问题被认为超出了深度学习模型的范围，因为求解复杂方程需要精确而不是近似。

神经网络擅长于通过近似来学习如何成功，比如识别一个特定的像素模式可能是一个狗的图像，或者一个句子在一种语言中的特征与另一种语言中的特征相匹配。

解决复杂的方程也需要处理符号数据的能力，比如公式b - 4ac = 7中的字母。这些变量不能直接相加、相乘或分割，而且只能使用传统的模式匹配或统计分析，神经网络被限制在极其简单的数学问题上。

Facebook AI表示，他们提出的解决方案是一种全新的方法，可将复杂的方程式透视语言中的句子，因此他们能够在神经机器翻译（NMT）训练模型中充分利用成熟的技术，从而将问题从本质上转化为解决方案。

为了实施此方法，他们需要开发一种将现有数学表达式分解为两种语言的语法的方法，并生成包含超过100M个配对方程式和解的大规模训练数据集。

当面对成千上万个不可见的表达式时，这些方程并不是训练数据的一部分，研究者的模型比传统的代数方程求解软件，如Maple、Mathematica和Matlab，在速度和准确性上都有显著提高。

这项研究不仅证明了深度学习可以用于符号推理，还表明神经网络有潜力处理更广泛的任务，包括那些通常与模式识别无关的任务。研究者正在分享研究者方法的细节，以及帮助其他人生成类似训练集的方法。

 应用神经机器翻译（NMT）的新方法

特别擅长符号数学的人往往依赖一种直觉。他们对给定问题的解决方案应该有什么样的感觉，例如观察到，如果要积分的函数中存在余弦，则其积分中可能存在正弦，然后进行必要的工作来证明。

通过训练一个模型来检测符号方程的模式，研究者相信神经网络可以拼凑出解决方案的线索，这与人类基于直觉的复杂问题处理方法大致相似。

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!