Discovering mathematical concepts through a multi-agent system

Dit artikel presenteert een nieuw multi-agent-systeem dat wiskundige concepten ontdekt door een dynamisch samenspel van experimenten, bewijspogingen en tegenvoorbeelden, wat experimenteel wordt aangetoond door het autonoom te laten herontdekken van homologie uit polyhedrale data.

De kern

Stel je voor dat wiskunde niet als een statisch boek met antwoorden is, maar als een levendige, chaotische danszaal. In deze zaal zijn er twee soorten dansers die constant met elkaar in gesprek zijn: de Dromer en de Twijfelaar.

Dit artikel beschrijft een nieuw computerprogramma dat precies deze dans nabootst om wiskundige ontdekkingen te doen. In plaats van dat een computer gewoon een vraag krijgt en het antwoord moet zoeken, laten de onderzoekers van de Universiteit van Cambridge de computer zijn eigen vragen bedenken en proberen die te beantwoorden.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Twee Dansers (Het Multi-Agent Systeem)

Het systeem bestaat uit twee digitale agenten die tegen elkaar spelen, maar samen werken:

• De Dromer (Conjecturing Agent): Deze is de creatieve, optimistische uitvinder. Hij kijkt naar een hoop gegevens (in dit geval vormen van 3D-voorwerpen, zoals ballen, donuts en andere gekke figuren) en probeert patronen te vinden. Hij roept: "Ik denk dat als je dit en dat optelt, het altijd gelijk is aan 2!" Hij is als een kind dat probeert een wet te vinden door blokken te stapelen.
• De Twijfelaar (Skeptical Agent): Deze is de kritische, strenge leraar. Zijn enige doel is om de Dromer te dwarsbomen. Hij zegt: "Wacht even, kijk eens naar deze rare vorm (een picture frame met een gat in het midden). Je regel werkt daar niet!" Hij zorgt ervoor dat de Dromer niet te snel tevreden is met een simpele, foutieve regel.

2. De Dansvloer (De Data en de Regels)

De "dansvloer" is een verzameling van 3D-voorwerpen die zijn omgezet in getallen (matrices).

• De Dromer probeert een formule te vinden die voor alle vormen geldt.
• De Twijfelaar verandert echter continu welke vormen de Dromer mag zien. Soms laat hij alleen perfecte ballen zien (waar de regel makkelijk werkt), en soms gooit hij plotseling een vorm met een gat in het midden in de mix om de Dromer in de problemen te brengen.

Dit is cruciaal: als de Dromer alleen maar perfecte ballen ziet, denkt hij dat de wereld perfect is. De Twijfelaar zorgt ervoor dat hij ook de imperfecties ziet, zodat hij een echte wet ontdekt die voor alles geldt.

3. De Grote Ontdekking (De Euler-kenmerk)

Het doel van dit experiment was om een beroemde wiskundige puzzel op te lossen die al eeuwen bestaat: Het Euler-kenmerk.

Stel je voor dat je een 3D-figuur hebt. Je telt de hoekpunten (V), de randen (E) en de vlakken (F).

• Voor een simpele bol geldt: $V - E + F = 2$.
• Maar voor een vorm met een gat (zoals een donut of een fotolijstje) geldt dit niet meer!

De Dromer en de Twijfelaar moesten samen ontdekken waarom dit niet klopt en hoe je het kunt corrigeren. Ze moesten zelf bedenken dat het aantal "gaten" (holtes) in een vorm belangrijk is.

Het resultaat? Het systeem slaagde erin om dit zelfstandig te ontdekken. Het bedacht een nieuwe manier om naar de vormen te kijken (via iets wat wiskundigen "homologie" noemen, wat in feite een manier is om gaten te tellen) en ontdekte dat de formule eigenlijk is:
$$V - E + F = 2 - 2 \times (\text{aantal gaten})$$

Het systeem had dus de "gaten" in de wiskunde zelf ontdekt, zonder dat iemand het hen expliciet had verteld.

4. Waarom is dit zo speciaal? (De "Ablatie"-testen)

De onderzoekers wilden zeker weten dat het niet toeval was. Ze deden een experiment waarbij ze één van de dansers weglieten:

• Alleen de Dromer: Hij probeerde patronen te vinden, maar zonder de Twijfelaar die hem uitdaagde met moeilijke vormen, vond hij nooit de juiste, diepe wet. Hij bleef hangen in simpele, foutieve regels.
• Alleen de Twijfelaar: Hij kon natuurlijk geen nieuwe ideeën bedenken.
• Beide samen: Pas toen ze tegen elkaar speelden, ontstond er een "intelligentie". De Dromer leerde van de fouten die de Twijfelaar aanwees, en de Twijfelaar leerde welke vragen de Dromer stelde.

De Grootste Les

De kernboodschap van dit paper is dat wiskundige genialiteit niet komt van het simpelweg "rekenen", maar van het interactieve proces van:

1. Een idee bedenken.
2. Erop proberen te bewijzen.
3. Een tegenvoorbeeld vinden dat het idee kapot maakt.
4. Het idee aanpassen en opnieuw proberen.

Het is alsof je een taal leert. Als je alleen maar woordenboekjes leest (rekenen), leer je de taal niet echt. Je moet praten, fouten maken, gecorrigeerd worden en opnieuw praten. Dit computersysteem heeft bewezen dat als je AI's deze "menselijke" manier van denken geeft (dromen + twijfelen), ze verrassend slimme en nieuwe inzichten kunnen vinden die zelfs voor mensen moeilijk te bedenken zijn.

Kortom: De computer heeft niet alleen het antwoord gevonden; hij heeft de vraag zelf herschreven, precies zoals een echte wiskundige dat doet.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Discovering mathematical concepts through a multi-agent system", geschreven in het Nederlands.

Titel: Het ontdekken van wiskundige concepten via een multi-agent systeem

Auteurs: Daattavya Aggarwal, Oisin Kim, Carl Henrik Ek, en Challenger Mishra (Universiteit van Cambridge).

---

1. Probleemstelling

Het centrale probleem dat dit artikel aanpakt, is de beperking van huidige AI-systemen in het autonoom "wiskundig onderzoek" te verrichten. Hoewel AI succesvol is in het oplossen van bestaande problemen (zoals het bewijzen van stellingen of het vinden van optimalisaties), mist het vaak het vermogen om nieuwe, menselijk interessante concepten te genereren en deze dynamisch te koppelen aan bewijsvoering.

• De uitdaging: Wiskundige ontdekking is geen statisch optimalisatieprobleem, maar een dialectisch proces waarbij vragen, definities, experimenten en weerleggingen (counterexamples) elkaar beïnvloeden.
• Specifiek doel: Het artikel presenteert een benchmark-uitdaging: kan een AI-systeem, zonder expliciete instructie, het concept van homologie (en de Euler-karakteristiek) "herontdekken" door alleen te kijken naar data van polyhedra (oppervlakken) en kennis van lineaire algebra?
• De benchmark: Het systeem moet de relatie vinden tussen twee definities van de Euler-karakteristiek ($\chi$):
  1. Combinatorisch: $\chi = V - E + F$ (Aantal hoekpunten - ribben + vlakken).
  2. Algebraïsch/Topologisch: $\chi = b_0 - b_1 + b_2$ (Betti-getallen, gerelateerd aan samenhang en "gaten").

2. Methodologie: Het Multi-Agent Systeem

De auteurs introduceren een nieuw multi-agent model dat wiskundige ontdekking simuleert als een interactief spel tussen twee agenten binnen een Markov Decision Process (MDP). Het systeem is ontworpen om de dynamiek van wiskundig onderzoek na te bootsen.

De Agenten

1. De Conjecturerende Agent (CA):

   • Doel: Genereer wiskundige stellingen (conjecturen) die "voldoende bewijsbaar" zijn.
   • Methode: Gebruikt Symbolic Regression (SR) om analytische expressies te vinden die de data beschrijven. De CA selecteert variabelen (zoals rangen en nulliteiten van incidentiematrices) en operatoren (+, -, =, $\Rightarrow$).
   • Mechanisme: De CA optimaliseert een 'loss'-functie die een afweging maakt tussen nauwkeurigheid op de data en inductieve bias (complexiteit van de formule). De CA werkt in twee stappen: eerst "Feature spotters" die lokale patronen vinden, en daarna een "Scaffolder" die deze combineert tot een globale logische expressie.

2. De Skeptische Agent (SA):

   • Doel: Voorkom dat de CA te snel een triviaal of onjuist antwoord vindt door de data-distributie dynamisch te manipuleren.
   • Methode: De SA past de gewichten ($\lambda_i$) van datapunten aan. Het kan bijvoorbeeld de aandacht verleggen naar "counterexamples" (zoals tori met gaten) die de huidige conjectuur van de CA weerleggen.
   • Rol: Dit simuleert het historische proces waarbij wiskundigen hun theorieën aanpassen na het ontdekken van uitzonderingen (zoals bij Euler's oorspronkelijke conjectuur).

3. Het Omgeving (MathWorld) en Bewijsbaarheid:

   • De omgeving bevat de data (incidentiematrices van gesimuleerde oppervlakken: sferen, tori, Klein-flessen) en een bewijsbaarheidsmeter ($\rho$).
   • Een geautomatiseerde bewijzer (Lean Copilot of een vooraf geschreven lineaire algebra-bewijzer) controleert of een gegenereerde stelling waar is binnen de gegeven axioma's.
   • Beloning: De CA krijgt een grote beloning als een stelling bewezen is, en een kleine beloning voor complexiteit. De SA krijgt een negatieve beloning als de CA te snel wint (wat suggereert dat de taak te makkelijk was).

Optimalisatie

Het systeem wordt getraind met Multi-Agent Deep Deterministic Policy Gradient (MADDPG). Dit stelt de agenten in staat om tijdens het trainen de acties van elkaar te observeren (gecentraliseerd trainen) maar onafhankelijk te handelen tijdens de uitvoering (decentralized execution).

3. Belangrijkste Bijdragen

• Nieuw Model: Een multi-agent architectuur die wiskundige ontdekking modelleert als een dynamisch spel tussen het formuleren van vragen (conjecturen) en het testen van deze vragen (bewijzen/weerleggen).
• Autonome Herontdekking: Het systeem slaagt erin om de relatie tussen de combinatorische en algebraïsche definitie van de Euler-karakteristiek te vinden, zonder dat de Betti-getallen ($b_i$) of de Euler-karakteristiek ($\chi$) expliciet in de input zijn gecodeerd. Het moet deze concepten zelf "uitvinden" via regressie.
• Ablatie Studies: De auteurs voeren uitgebreide experimenten uit waarbij onderdelen van het systeem worden verwijderd (bijv. alleen CA, of zonder de Skeptische Agent) om de waarde van de volledige dynamiek te bewijzen.
• Statistische Validatie: In plaats van slechts één succesvol voorbeeld te tonen, gebruiken de auteurs statistische methoden (cluster bootstrap) om te tonen dat het volledige systeem significant beter presteert dan geablateerde versies.

4. Resultaten

De experimenten werden uitgevoerd op verschillende datasets ($D_0$ tot $D_3$) met variërende complexiteit (sferen, tori, Klein-flessen, disjuncte verenigingen).

• Succes van het Volledige Systeem (M0): Alleen het volledige systeem (CA + SA + Bewijsbaarheid) slaagde erin om Learning Problem 1 volledig op te lossen. Het genereerde stellingen die zowel de Euler-karakteristiek ($\chi$) als de Betti-getallen ($b_1$, $b_2$) correct relateerden.
• Falen van Geablateerde Modellen:
  • Alleen CA (zonder SA): Het systeem vond nooit $\chi$ of $b_1$. Dit toont aan dat pure symbolische regressie zonder dynamische data-manipulatie de zoekruimte niet effectief kan verkennen.
  • Zonder Bewijsbaarheid: Zonder de feedback van de bewijzer (alleen CA + SA) werden minder interessante concepten gevonden.
  • Ruis: Zelfs met ruis in de bewijsbaarheidsscore presteerde het systeem beter dan regressie alleen, maar minder goed dan het perfecte scenario.
• Statistische Significantie: De prestatieverschillen tussen het volledige model en de ablaties waren statistisch significant (vaak $>2\sigma$ of zelfs $>5\sigma$), wat de noodzaak van de interactie tussen de agenten onderstreept.
• Historische Parallellen: Het systeem vertoonde een patroon vergelijkbaar met de geschiedenis van de wiskunde: het merkte $\chi$ (de Euler-karakteristiek) eerder op dan $b_1$ (het getal van gaten), wat historisch gezien ook zo was (Euler zag eerst het patroon, later werd het concept van gaten/homologie ontwikkeld om afwijkingen te verklaren).

5. Betekenis en Conclusie

Dit artikel biedt een krachtig bewijs dat lokale optimalisatieprocessen, wanneer ze op de juiste manier worden gecombineerd in een multi-agent omgeving, kunnen leiden tot het ontstaan van globale, menselijk waardevolle wiskundige concepten.

• Beyond "Solving": Het bewijst dat AI niet alleen goed is in het oplossen van gestelde problemen, maar ook in het formuleren van de juiste vragen en definities.
• De Rol van Interactie: De kernboodschap is dat de "interessantheid" van een wiskundig idee niet in isolatie kan worden gemeten, maar ontstaat uit de interactie tussen experiment, bewijs en weerlegging.
• Toekomstperspectief: Hoewel het huidige systeem nog beperkt is tot lineaire algebra en simpliciale complexen, biedt de architectuur een blauwdruk voor toekomstige systemen die kunnen bijdragen aan echt autonoom wiskundig onderzoek in complexere domeinen. Het benadrukt dat voor "machine wiskundige intelligentie" de integratie van kennis, waarden en dynamische feedback cruciaal is, net zoals bij menselijke wiskundigen.

Kortom, het artikel toont aan dat door het simuleren van de dialectische aard van wiskundig onderzoek, AI-systemen in staat zijn om fundamentele concepten zoals homologie autonoom te herontdekken.