🤖 AI

Iteris: Agentic Research Loops for Computational Mathematics

Dieses Paper stellt Iteris vor, ein agentisches KI-System für offene Probleme in der computergestützten Mathematik, das erfolgreich numerische Evidenz, Konstruktionen und Entwürfe für Beweise für zwei komplexe Forschungsherausforderungen generierte, welche anschließend von menschlichen Experten verifiziert wurden.

Ursprüngliche Autoren: Leheng Chen, Zihao Liu, Wanyi He, Bin Dong

Veröffentlicht 2026-06-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Leheng Chen, Zihao Liu, Wanyi He, Bin Dong

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein Team von Forschern vor, die versuchen, zwei sehr knifflige, ungelöste Rätsel in der Welt der Zahlen und Algorithmen zu lösen. Dies sind nicht nur einfache Hausaufgabenaufgaben aus dem Matheunterricht; es sind offene Fragen, an denen professionelle Mathematiker schon seit einer Weile hängen bleiben.

Um diese anzugehen, entwickelten die Autoren einen digitalen Forschungsassistenten namens Iteris. Betrachten Sie Iteris nicht als ein einzelnes Superhirn, sondern als eine kollaborative Werkstatt, die von einem Team spezialisierter KI-Agenten geleitet wird, von denen jeder eine spezifische Aufgabe hat.

So funktioniert das System, erklärt anhand einer einfachen Analogie:

Das Werkstatt-Team (Die Agenten)

Anstatt dass eine einzige KI versucht, alles gleichzeitig zu erleden, unterteilt Iteris die Arbeit in einen Kreislauf, der drei Hauptrollen umfasst:

Der Explorer (Der Scout): Dieser Agent wandert durch den „Forschungsforst“. Er trifft keine endgültigen Entscheidungen. Stattdessen prüft er verschiedene Pfade, liest alte Notizen und fragt: „Hey, führt dieser Pfad in eine Sackgasse oder gibt es hier etwas Interessantes?“ Er sendet einen kurzen Bericht an den Planer.
Der Planner (Der Projektmanager):ista: Dieser Agent betrachtet das große Ganze. Er liest den Bericht des Scouts und die Projektgeschichte. Er entscheidet: „Okay, für den nächsten Schritt müssen wir eine bestimmte Computersimulation durchführen“ oder „Lass uns versuchen, einen Beweis für diesen spezifischen Teil zu schreiben.“ Er erstellt eine To-do-Liste.
Die Executors (Die Spezialisten): Dies sind die Arbeiter, die tatsächlich die Aufgaben ausführen.
- Der Foundation-Agent: Er stellt sicher, dass sich alle auf die Definitionen einigen (so wie sicherzustellen, dass jeder weiß, was ein „Dreieck“ ist).
- Der Experiment-Agent: Er lässt Zahlen und Simulationen laufen, um zu sehen, was in der realen Welt passiert.
- Der Proof-Agent: Er versucht, logische Argumente zu formulieren, um zu beweisen, warum etwas wahr ist.
- Der Review-Agent: Er fungiert als Qualitätskontrolleur und prüft, ob die Arbeit solide ist oder ob sie Lücken in der Logik aufweist.

Das Geheimrezept: Das Team spricht nicht nur miteinander; es hinterlässt Notizen in einem gemeinsamen „digitalen Notizbuch“ (Dateien). Dies stellt sicher, dass das Team, falls es stecken bleibt oder im Kreis läuft, nachsehen kann, was es bereits versucht hat, um Fehler nicht zu wiederholen.

Die zwei gelösten Rätsel

Das Paper beschreibt, wie dieses Team zwei spezifische Probleme eines kürzlichen Workshops angegangen ist:

1. Das Rennen zwischen zwei Läufern (Konjugierte Gradientenmethode vs. Randomisierte Koordinatendeskendenz)

Das Problem: Stellen Sie sich zwei Läufer vor, die versuchen, eine Ziellinie zu erreichen (eine mathematische Gleichung zu lösen). Einer der Läufer (CG) ist ein Marathon-Experte, der die gesamte Karte auf einmal im Blick hat. Der andere (RCD) ist ein Sprinter, der kleine, kostengünstige Schritte macht, aber dafür viel mehr davon braucht. Die Frage war: Unter welchen Bedingungen schlägt der Sprinter tatsächlich den Marathonläufer?
Das Ergebnis: Iteris führte tausende Simulationen durch und erstellte eine „Karte“ (ein Phasendiagramm), die genau zeigt, wann der Sprinter gewinnt und wann der Marathonläufer gewinnt, abhängig vom Gelände (den mathematischen Eigenschaften).
Der menschliche Faktor: Die KI erstellte die allgemeine Karte, machte aber in einem spezifischen Bereich einen Fehler bezüglich der Geschwindigkeit, mit der die Läufer langsamer werden. Ein menschlicher Mathematiker entdeckte den Fehler, und die KI korrigierte ihn.

2. Das schlecht organisierte Bücherregal (QR-Faktorisierung)

Das Problem: Stellen Sie sich vor, Sie haben ein Bücherregal (eine Matrix) und möchten die besten Bücher (Spalten) auswählen, um das Regal stabil zu halten. Es gibt eine Standardregel (QRCP), die besagt: „Wähle das Buch, das am schwersten aussieht.“ Die Frage ist: Wählt diese Regel immer ein stabiles Set an Büchern aus, selbst wenn die Bücher auf eine knifflige Weise angeordnet sind?
Das Ergebnis: Iteris versuchte zu beweisen, dass die Regel immer funktioniert, scheiterte aber immer wieder. Anstatt aufzugeben, nutzte das System diese Fehlschläge, um herauszufinden, wie man ein „Trick-Bücherregal“ baut, das die Regel bricht. Es konstruierte ein spezifisches, kontraintuitives Beispiel, bei dem die Regel ein wackeliges, instabiles Set an Büchern auswählt.
Der menschliche Faktor: Die KI baute das „Trick-Bücherregal“, aber die Erklärung war unordentlich und schwer zu lesen. Ein menschlicher Mathematiker musste die ungeordneten Notizen der KI in eine saubere, lesbare Geschichte reorganisieren, die auch für Menschen verständlich ist.

Das große Fazit

Das Paper argumentiert, dass KI gut genug wird, um bei echter, offener Forschung zu helfen, aber sie ist kein Zauberstab, der einfach alles automatisch löst.

Was die KI gut konnte: Sie untersuchte viele verschiedene Ideen, führte massive Experimente durch und erstellte die Rohentwürfe der Beweise. Sie fand die „Form“ der Lösung.
Was der Mensch tat: Der Mensch fungierte als Editor und Sicherheitsnetz. Er korrigierte die logischen Fehler der KI, verbesserte die unordentlichen Erklärungen und stellte sicher, dass das Endergebnis mathematisch fundiert war.

Kurz gesagt: Iteris ist ein leistungsstarker Forschungspartner, der Ideen und Entwürfe generiert, aber es benötigt immer noch einen Menschen als Experten, um die endgültige Arbeit zu verifizieren, zu reparieren und zu polieren. Das Paper zeigt, dass dieser „Human-in-the-loop“-Ansatz derzeit der beste Weg ist, um komplexe Probleme in der Computermathematik zu lösen.

Technisches Resümee: Iteris: Agentische Forschungszyklen für Computergestützte Mathematik

1. Problemstellung

Die Arbeit adressiert die Herausforderung, KI auf offene Probleme der computergestützten Mathematik anzuwenden. Im Gegensatz zu Wettbewerbsaufgaben oder Optimierungsproblemen mit einem einzelnen Zielobjektiv erfordert die Forschung in diesem Bereich ein komplexes Zusammenspiel von numerischer Experimentation, adversarieller Konstruktion und formaler Beweisentwicklung. Aktuelle KI-Systeme haben oft Schwierigkeiten, diese unterschiedlichen Forschungsmodi zu koordinieren oder langfristige Forschungs-Trajektorien aufrechtzuerhalten, bei denen Fakten getrennt, geprüft und neu organisiert werden müssen.

Die Autoren wenden ihr vorgeschlagenes System, Iteris, auf zwei spezifische offene Probleme aus der Simons Workshop Collection [3] an:

Problem 2.4: Ein asymptatischer Vergleich zwischen dem Konjugierten Gradientenverfahren (CG) und dem Randomisierten Koordinatendest descent (RCD) auf linearen Systemen mit Potenzgesetz-Spektren. Das Ziel ist die Bestimmung eines Phasendiagramms für das normalisierte Kostenverhältnis zwischen den beiden Methoden.
Problem 4.3: Eine Frage darüber, ob die QR-Zerlegung mit Spaltenpivotierung (QRCP) zuverlässig gut konditionierte Untermatrizen aus einer Matrix mit orthonormalen Zeilen auswählt, insbesondere unter Bedingungen geringer Kohärenz.

2. Methodik: Das Iteris-System

Iteris ist ein agentisches Forschungssystem, das als Explore–Plan–Execute-Schleife organisiert ist. Es koordiniert distinkte Forschungsmodi durch ein dateibasiertes Speichersystem, das sowohl als Langzeitspeicher für den Zustand als auch als strukturiertes Messaging zwischen den Agenten dient.

2.1 Das agentische Protokoll

Jede Iteration des Systems folgt drei distinkten Phasen:

Explore (Erkundung): Ein Exploration Agent führt eine „leichte Untersuchung auf Repository-Ebene“ durch. Er liest Projektdateien, inspiziert die jüngsten Iterationen und entwirft skizzenhafte Argumentationen über plausible Pfade. Entscheidend ist, dass er nicht den offiziellen Plan schreibt, sondern eine beratende Aufzeichnung erstellt, die empfohlene Aufgabenformen, Checks auf lokale Minima und Risikobewertungen enthält, um zu verhindern, dass das System sich zu einem stagnierenden Zweig verpflichtet.
Plan (Planung): Ein Plan Agent liest den globalen Projektzustand (Problemstellung, Roadmap, Speicher, Routenstatus) und die Explorationsberatung. Er entscheidet über den Task Pool für die nächste Iteration und gibt einen strukturierten TASK_POOL.json aus, der Aufgabenkategorien, Ziele, Eingaben und Verifizierungsanforderungen definiert.
Execute (Ausführung): Spezialisierte Execution Agents erhalten zugewiesene Aufgaben und führen spezifische Forschungsaktionen durch, wobei sie strukturierte Ergebnisfiles zurück in den Projektspeicher schreiben.

2.2 Execution Agents (Ausführungs-Agenten)

Das System verwendet vier Kategorien von Execution Agents, wobei jede über auf Markdown basierende Kapazitätsbeschreibungen über aufgabenspezifische Fähigkeiten verfügt:

Foundation Agent: Prüft Quellen, friert Definitionen ein, entwirft Hypothesen-Karten (Conjecture Cards) und wahrt die Behauptungsdisziplin.
Experiment Agent: Führt numerische Arbeiten durch (Test-Harnesses, Diagnostik, Suche nach Gegenbeispielen). Evidenz wird als Orientierungshilfe, nicht als Beweis behandelt.
Proof Agent: Konstruiert und prüft Beweis-Artefakte für stabile Aussagen, Spezialfälle oder Lemmata.
Review Agent: Evaluiert Evidenz, Beweislücken und den Wert einer Route und empfiehlt, ob einen Forschungszweig zu vertiefen, umzuformulieren oder einzustellen ist.

2.3 Trennung der Zuständigkeiten (Separation of Concerns)

Ein zentrales Designmerkmal ist die Trennung des Exploration Agent vom Plan Agent. Während der Plan Agent die globale Kohärenz aufrechterhält, führt der Exploration Agent aggressive Sondenläufe durch, um „lokale Trägheit“ (z. B. inkrementelle Folgeworks) zu detektieren und alternative Richtungen vorzuschlagen, bevor eine Aufgabe offiziell festgeschrieben wird. Dies ermöglicht es dem System, über den aktuellen Pfad hinaus zu suchen, während die Planung global kohärent bleibt.

3. Zentrale Beiträge und Ergebnisse

3.1 Ergebnis I: CG vs. RCD Phasendiagramm

Iteris wurde auf den Vergleich von CG und RCD auf Potenzgesetz-Spektren ( $A_n = U_n \text{diag}(1^{-p}, \dots, n^{-p})U_n^*$ ) angewendet.

Theorem 1: Das System etablierte ein festparametrisiertes Phasendiagramm für das asymptotische Verhalten des Verhältnisses $\rho_n(\epsilon, p)$ (RCD-Epochen vs. CG-Schritte) für $n \to \infty$ .
Wichtigste Erkenntnisse:
- Für $p > 1$ (summierbares Spektrum) konvergiert RCD in $O(1)$ Epochen, während CG $O(n)$ Schritte benötigt, sodass $\rho_n \to 0$ .
- Für $p = 1$ gilt $\rho_n \to 0$ mit einer logarithmischen Schranke.
- Für $0 < p < 1$ wird das Verhalten durch einen begrenzenden CG-Boden $F(p)$ bestimmt, der aus einem endlichdimensionalen Momentenproblem involvierender Tail-Maß $\nu_p$ abgeleitet wird.
- Wenn der Fehlerschwellenwert $\epsilon < F(p)$ ist, benötigt CG wachsende Grade zur Konvergenz, während RCD beschränkt bleibt, was $\rho_n \to 0$ verursacht.
- Wenn $\epsilon > F(p)$ ist, konvergiert CG in $O(1)$ Schritten, während RCD einen positiven Bruchteil einer Epoche benötigt, was $\rho_n$ fern von Null beschränkt hält.
Mensch-KI-Interaktion: Das System identifizierte die Phasenstruktur und den „Hankel-Boden“-Mechanismus. Ein erster Beweisentwurf stützte sich jedoch auf eine unbegründete stärkere Annahme für die Ratenanalyse im $p < 1$ Regime. Menschliche Experten erkannten diese Lücke, und das Argument wurde durch Interaktion repariert, um konservative, verifizierte Raten-Schranken zu liefern.

3.2 Ergebnis II: QRCP-Gegenbeispiel

Iteris untersuchte, ob QRCP garantiert, gut konditionierte Untermatrizen aus Matrizen mit orthonormalen Zeilen und beschränkter Kohärenz auszuwählen.

Theorem 2: Das System konstruierte eine Gegenbeispiel-Familie mit niedriger Kohärenz, die zeigt, dass QRCP scheitern kann, gut konditionierte Untermatrizen auszuwählen, selbst wenn die Zeilenenergien gleichmäßig kontrolliert sind.
Wichtigste Erkenntnisse: Für jedes $H^* > 1$ (Kohärenz-Grenze) und $B > 0$ existiert eine Matrix $Q$ mit orthonormalen Zeilen und Kohärenz $\mu(Q) < H^*$ , sodass die Konditionszahl der ausgewählten Untermatrix $B k^e$ übersteigt.
Mechanismus: Das Gegenbeispiel nutzt einen „triangulären Rückwärtssubstitutions-Druck“ (back-substitution pressure) aus. Das System entwarf einen ausgewählten Kernblock, der lokale Pivot-Bedingungen erfüllt, aber eine große Inverse-Norm erzeugt. Zusätzliche Spalten wurden hinzugefügt, um die globale Orthonormalität wiederherzustellen, ohne durch die Pivotierungsregel ausgewählt zu werden.
Mensch-KI-Interaktion: Iteris identifizierte die Behinderung und generierte die Konstruktion. Der Beweisweg war anfangs umständlich; menschliche Experten organisierten das Argument zu einem lesbaren Beweis um und glichen das informelle Theorem mit einer formalen Lean 4 Verifikation ab.

4. Bedeutung und Ansprüche

Die Arbeit behauptet, dass agentische KI-Systeme sinnvoll an Forschungsabläufen für offene Probleme der computergestützten Mathematik teilnehmen können, betont jedoch, dass die menschliche Validierung essenziell bleibt.

Jenseits von Benchmarks: Iteris demonstriert, dass KI über das Lösen isolierter Übungen hinausgehen kann, um an echter Forschung teilzunehmen, indem sie langfristige explorative Artefakte und Beweisentwürfe generiert.
Workflow-Integration: Das System koordiniert erfolgreich numerische Experimentation (um strukturelle Merkmale wie den Hankel-Boden oder Rückwärtssubstitutions-Druck zu identifizieren) mit formaler Beweiskonstruktion.
Rolle der menschlichen Intervention: Die Autoren stellen explizit fest, dass Iteris die menschliche Anstrengung verschiebt statt entfernt:
- Im CG-Fall fand das System die Struktur, aber Menschen reparierten die Ratenanalyse.
- Im QRCP-Fall fand das System das Gegenbeispiel, aber Menschen organisierten den Beweis um und verifizierten die semantische Konsistenz.
Vergleich zu direkten LLMs: Direkte Abfragen an fortgeschrittene Modelle (z. B. GPT-Pro) lieferten plausible Heuristiken oder hochgradig abstrakte Skizzen, scheiterten jedoch daran, Beweise abzuschließen, wobei sie oft zwischen erwarteten und wahrscheinlichen Schranken differenzierten oder plausible Schritte als erfüllte Verpflichtungen behandelten. Iteris hingegen zerlegt Heuristiken in prüfbare Beweisverpflichtungen und nutzt Review-Agenten, um unbegründete Abkürzungen zu blockieren.

Die Arbeit schließt mit dem Schluss, dass KI zwar den Suchraum erweitern und Entwürfe produzieren kann, das endgültige mathematische Urteil, die Verifizierung von Annahmen, die Detektion von Lücken und die Exposition jedoch kritische menschliche Verantwortlichkeiten bleiben.