Reinforced Generation of Combinatorial Structures: Hardness of Approximation

Each language version is independently generated for its own context, not a direct translation.

Titel: Hoe AI de Wiskunde helpt oplossen: Een reis door de wereld van puzzels en algoritmes

Stel je voor dat wiskundigen en computerwetenschappers al decennia worstelen met enorme, ingewikkelde puzzels. Deze puzzels gaan over vragen als: "Wat is de kortste route voor een postbode?" of "Hoe verdeel je een groep mensen zo dat ze zo min mogelijk ruzie hebben?". Soms zijn deze puzzels zo moeilijk dat zelfs de krachtigste supercomputers er jaren over doen om het beste antwoord te vinden.

De auteurs van dit paper stellen een nieuwe vraag: Kan kunstmatige intelligentie (AI) ons helpen om deze oude puzzels sneller op te lossen, of zelfs nieuwe antwoorden te vinden die mensen nooit zouden bedenken?

Het antwoord is een volmondig JA. Ze hebben een slimme AI-agent genaamd AlphaEvolve gebruikt om drie grote doorbraken te bereiken. Laten we kijken hoe ze dat deden, met een paar simpele vergelijkingen.

1. De "Gadget" als Legoblokje

Om deze problemen op te lossen, gebruiken wiskundigen iets dat ze een "gadget" noemen. Denk hierbij aan een speciaal Lego-blokje.

Het probleem: Je hebt een ingewikkelde puzzel (bijvoorbeeld: "Hoe verdeel ik deze punten in 3 groepen?").
De oplossing: Je bouwt een klein Lego-blokje (een gadget) dat deze puzzel vertaalt naar een ander, bekend probleem. Als je het Lego-blokje goed bouwt, kun je het antwoord op de ene puzzel direct afleiden uit de andere.

Het probleem is: Hoe bouw je het perfecte Lego-blokje?
Mensen proberen dit met pen en papier, en computers proberen het door alles te proberen (brute force). Maar de ruimte van mogelijke blokjes is zo enorm groot, dat het net zo moeilijk is als het vinden van een specifiek zandkorreltje in een woestijn.

2. De AI als "Evolutionair Architect"

Hier komt AlphaEvolve in beeld. In plaats van dat een mens het blokje ontwerpt, laat de AI het blokje evolueren, net zoals de natuur dat doet.

De start: De AI begint met een willekeurig, misschien wel stom, Lego-blokje.
De test: De AI test of dit blokje werkt.
De mutatie: Als het blokje niet goed werkt, laat de AI het "muteren". Het verandert de vorm, voegt stukjes toe of haalt ze weg, alsof het een biologische evolutie is.
De selectie: De versies die beter werken, blijven over. De slechte worden weggegooid.

Na duizenden generaties heeft de AI een perfect, super-efficiënt Lego-blokje gevonden dat een mens waarschijnlijk nooit had bedacht.

3. De Drie Grote Overwinningen

De auteurs gebruikten deze methode om drie wereldwijd bekende problemen aan te pakken:

A. De "Willekeurige Netwerken" (MAX-CUT & MAX-Independent Set)

Het probleem: Stel je een willekeurig netwerk van vrienden voor. Je wilt ze in twee groepen verdelen zodat het maximum aantal vriendschappen wordt verbroken (MAX-CUT), of je wilt een groep vinden waar niemand elkaar kent (MAX-Independent Set).
De uitdaging: Voor bepaalde soorten netwerken wisten we niet precies hoe goed we ze konden verdelen.
De AI-overwinning: De AI bouwde een heel speciaal, bijna perfect willekeurig netwerk (een "Ramanujan-graf") met maar liefst 163 punten. Dit netwerk bleek een grens te tonen die we eerder niet hadden gevonden. Het is alsof de AI een nieuw soort kristal heeft ontdekt dat net iets anders breukt dan alle andere kristallen, waardoor we de regels van lichtbreking beter begrijpen.

B. De "Scheiding van Groepen" (MAX-k-CUT)

Het probleem: Je wilt een groep mensen verdelen in 3 of 4 teams, zodat het aantal ruzies tussen de teams zo groot mogelijk is. Hoe goed kunnen we dit garanderen?
De uitdaging: De beste bestaande antwoorden waren al jarenlang niet verbeterd.
De AI-overwinning: De AI vond nieuwe, complexe Lego-blokjes (gadgets) die bewezen dat het onmogelijk is om deze puzzel beter op te lossen dan een bepaald percentage.
- Voor 4 teams: Ze verbeterden de grens van 0.9883 naar 0.987.
- Voor 3 teams: Ze verbeterden de grens van 0.9853 naar 0.9649.
- Vergelijking: Het is alsof je dacht dat je een raceauto niet sneller dan 200 km/u kon laten rijden, maar de AI bouwde een motor die bewijst dat je eigenlijk maar tot 199 km/u kunt komen, en dat is een enorme ontdekking in de wereld van snelheidslimieten.

C. De "Postbode-routepuzzel" (TSP)

Het probleem: De beroemde "Traveling Salesman Problem". Een postbode moet 100 dorpen bezoeken. Wat is de kortste route?
De uitdaging: We weten dat het vinden van de perfecte route onmogelijk is voor grote aantallen dorpen. We moeten het doen met een "bijna perfecte" route. Hoe goed kan die "bijna perfecte" route zijn?
De AI-overwinning: De beste bestaande methode gaf een route die maximaal 117/116 keer zo lang was als de perfecte route. De AI vond een nieuw Lego-blokje dat bewees dat we zelfs niet beter kunnen doen dan 111/110.
- Vergelijking: Het is alsof je dacht dat je een berg met een touw van 117 meter kon beklimmen, maar de AI bewees dat je eigenlijk maar met een touw van 111 meter kunt werken. Een klein verschil, maar in de wiskunde is dat een gigantische sprong.

4. Het Geheim: De AI helpt zichzelf

Een van de coolste dingen aan dit paper is een extra truc die ze gebruikten.
Het testen van deze Lego-blokjes duurde soms heel lang (soms duizenden keren langer dan een seconde). De AI zou dan vertragen.

De oplossing: Ze lieten de AI de testmachine zelf verbeteren. De AI schreef een snellere versie van de testcode.
Het resultaat: De test werd 10.000 keer sneller.
Vergelijking: Stel je voor dat je een sleutel maakt om een deur te openen, maar het maken van de sleutel duurt een uur. De AI ontwierp een nieuwe machine die de sleutel in een seconde maakt, zodat je duizenden deuren per uur kunt openen.

Conclusie: Wat betekent dit voor ons?

Dit paper toont aan dat AI niet alleen goed is voor het maken van plaatjes of het schrijven van teksten. AI kan ook wiskundige ontdekkingsreizen ondernemen.

Mensen vs. AI: Mensen zijn goed in het bedenken van grote ideeën en het structureren van de puzzel. Maar als het gaat om het vinden van de perfecte, complexe vorm in een zee van mogelijkheden, is de AI een superkracht.
De toekomst: De auteurs zeggen: "Laten we niet proberen AI te vervangen door mensen, en niet mensen te vervangen door AI. Laten we ze samenwerken." De mens definieert de puzzel, en de AI zoekt naar de perfecte oplossing.

Kortom: De AI heeft bewezen dat ze een waardevolle partner is voor de slimste hersens ter wereld, en dat ze samen problemen kunnen oplossen die voorheen onmogelijk leken.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "Reinforced Generation of Combinatorial Structures: Hardness of Approximation" in het Nederlands.

Titel: Versterkte Generatie van Combinatorische Structuren: Moeilijkheid van Benadering

Auteurs: Ansh Nagda, Prabhakar Raghavan, Abhradeep Thakurta (UC Berkeley & Google DeepMind)
Datum: 9 maart 2026 (ArXiv:2509.18057v7)

1. Probleemstelling en Context

De kernvraag van dit onderzoek is of AI-gestuurde methoden significante doorbraken kunnen realiseren in de complexe theorie, een gebied dat traditioneel wordt gedomineerd door menselijke wiskundige intuïtie en geavanceerde bewijstechnieken. De auteurs richten zich op klassieke, goed bestudeerde problemen waarbij de grenzen van berekenbare benadering (approximability) en certificering (certification) nog niet volledig zijn vastgesteld.

Specifiek onderzoeken ze drie gebieden waar de kloof tussen de beste bekende algoritmen en de bewezen ondergrenzen voor NP-hardheid nog groot is:

Gemiddelde-geval moeilijkheid (Average-case hardness): Het certificeren van bovengrenzen voor MAX-CUT en MAX-Independent Set op willekeurige reguliere grafen.
Slechtste-geval moeilijkheid (Worst-case hardness) voor MAX-k-CUT: Het verbeteren van de inapproximabiliteitsfactoren voor het partitioneren van grafen in $k$ sets.
Slechtste-geval moeilijkheid voor de Metrische Travelling Salesman Problem (TSP): Het verbeteren van de ondergrens voor het benaderen van de kortste rondreis in een metrische ruimte.

2. Methodologie: AlphaEvolve

De auteurs gebruiken AlphaEvolve, een agent gebaseerd op een Large Language Model (LLM), die code-snippets evolueert om nieuwe combinatorische structuren (zoals grafen of "gadgets") te genereren.

Propose-Test-Refine (PTR) Paradigma: Het systeem werkt in een cyclus waarbij het een code-snippet ( $C$ ) genereert die een structuur bouwt, deze wordt beoordeeld door een verifieerder (verifier), en het LLM past de code aan op basis van de score om de volgende iteratie te verbeteren.
De Uitdaging van Verificatie: Een groot obstakel bij het zoeken naar extremale structuren is dat de verificatie vaak exponentieel duur is in de grootte van de constructie (bijvoorbeeld het controleren van alle mogelijke toewijzingen in een gadget).
Innovatieve Oplossing: De auteurs lieten AlphaEvolve niet alleen de structuren vinden, maar ook de verificatie-algoritmen zelf optimaliseren. AlphaEvolve evolueerde de verifiers tot ze 10.000 keer sneller waren dan brute-force methoden, door systematische verbeteringen en het toepassen van strategieën zoals branch-and-bound. Dit maakte het mogelijk om veel grotere en complexere structuren te verkennen dan ooit tevoren.
Validatie: Hoewel de snelle verifiers door AI zijn gegenereerd, werden de uiteindelijke gadgets verifieerd met brute-force algoritmen om de wiskundige correctheid te garanderen.

3. Belangrijkste Bijdragen en Resultaten

A. Certificering op Willekeurige Grafen (MAX-CUT & MAX-Independent Set)

Doel: Het vinden van ondergrenzen voor de moeilijkheid om te bewijzen dat een willekeurige $d$ -reguliere graaf een kleine MAX-CUT of MAX-Independent Set heeft.
Methode: De auteurs gebruikten AlphaEvolve om Ramanujan-grafen (grafische structuren met optimale spectrale eigenschappen) te construeren met een zo groot mogelijk snij of onafhankelijke verzameling.
Resultaat:
- Ze construeerden bijna-extremale Ramanujan-grafen met tot 163 knopen.
- Ze verbeterden de ondergrenzen voor $\sigma_{MC}^4$ (MAX-CUT op 4-reguliere grafen) naar $> 0.911$ en voor $\sigma_{IS}^4$ (MAX-Independent Set) naar $> 0.454$ .
- Ze leverden ook nieuwe analytische bovengrenzen op die tot op drie decimalen nauwkeurig overeenkomen met de ondergrenzen, wat resulteert in een bijna optimale oplossing voor deze problemen.

B. NP-Hardheid voor MAX-k-CUT (k=3, 4)

Doel: Het verbeteren van de inapproximabiliteitsfactoren voor het partitioneren van grafen in 3 of 4 delen.
Methode: Ze gebruikten AlphaEvolve om nieuwe gadgets te vinden die het $3LIN(k)$ probleem reduceren naar MAX-k-CUT. Een gadget is een kleine substructuur die de relatie tussen een bron-constraint en een doel-constraint codeert.
Resultaat:
- MAX-4-CUT: De inapproximabiliteitsfactor werd verbeterd van $0.9883 $naar **$ 0.987$**.
- MAX-3-CUT: De factor werd verbeterd van $0.9853 $naar **$ 0.9649$**.
- De gevonden gadgets voor $k=4$ waren extreem complex, met sommige randen die tot 1429 keer voorkwamen (gewogen randen), wat handmatige ontdekking onmogelijk maakte.

C. NP-Hardheid voor Metrische TSP

Doel: Het verbeteren van de ondergrens voor het benaderen van de kortste rondreis in een metrische ruimte.
Methode: De auteurs modulariseerden het bewijs voor TSP-reducties, waardoor ze AlphaEvolve konden inzetten om een specifiek vergelijkingsgadget (equation gadget) te optimaliseren dat de reductie van Hybrid-3LIN(2) naar TSP verbetert.
Resultaat:
- Ze verbeterden de staat-van-de-kunst (SOTA) van $117/116 $naar **$ 111/110$**.
- Het gevonden gadget is kleiner en efficiënter dan eerdere constructies, wat direct leidt tot een strengere hardheidsgrens.

4. Technische Significatie en Discussie

AI als Ontdekkingsinstrument: Dit paper levert bewijs dat AI niet alleen nuttig is voor het samenvatten van literatuur of het genereren van bewijssketches, maar daadwerkelijk kan worden gebruikt om nieuwe, niet-triviale wiskundige constructies te vinden die de menselijke staat-van-de-kunst verbeteren.
Over de grenzen van traditionele methoden: De auteurs tonen aan dat traditionele methoden zoals SAT-solvers, SMT/MIP-oplossers en handmatige zoektochten onvoldoende zijn om deze specifieke gadgets te vinden vanwege de enorme zoekruimte en de complexiteit van de verificatie.
Rol van de Mens: De menselijke bijdrage was cruciaal in het modulariseren van de problemen (het scheiden van soundness en completeness parameters) zodat ze vatbaar werden voor AI-optimisatie. Zonder deze wiskundige reframing zou AlphaEvolve niet hebben kunnen werken.
Toekomstperspectief: De resultaten suggereren dat gadget-gebaseerde bewijzen in de complexiteitstheorie baat zullen hebben bij een "AI-optimalisatiefase". Het paper stelt dat het waarschijnlijk onmogelijk is om deze resultaten te repliceren door alleen prompts in te voeren bij een LLM; de evolutionaire zoektocht naar code is essentieel.

Conclusie

Dit paper markeert een mijlpaal in het gebruik van AI voor fundamenteel wiskundig onderzoek. Door AlphaEvolve te gebruiken om zowel de zoekruimte van combinatorische structuren als de verificatieprocessen te optimaliseren, hebben de auteurs de grenzen van de berekenbare moeilijkheid voor drie centrale problemen in de complexiteitstheorie verlegd. Het werk suggereert een nieuwe paradigma waarbij AI en menselijke expertise samenwerken om problemen op te lossen die voorheen als onbereikbaar werden beschouwd.