🤖 AI

Danus: Orchestrating Mathematical Reasoning Agents with Fact-Graph Memory

Het artikel introduceert Danus, een open-source orchestratiesysteem dat gebruikmaakt van een gedeeld fact-graph geheugen om meerdere parallelle bewijszoekende agenten en een stateless verifieerder te coördineren, wat de succesvolle constructie van lange, complexe wiskundige bewijzen mogelijk maakt voor problemen op onderzoeksniveau in velden zoals algebraïsche meetkunde en combinatoriek.

Oorspronkelijke auteurs: Jihao Liu, Guoxiong Gao, Zeming Sun, Bin Wu, Shurui Liu, Jiedong Jiang, Haocheng Ju, Leheng Chen, Ronnie Cheng, Xiping Zhang, Bin Dong

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jihao Liu, Guoxiong Gao, Zeming Sun, Bin Wu, Shurui Liu, Jiedong Jiang, Haocheng Ju, Leheng Chen, Ronnie Cheng, Xiping Zhang, Bin Dong

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een enorme, onopgeloste wiskundige puzzel op te lossen die menselijke experts al jarenlang in de steek laat. Het is alsof je probeert een wolkenkrabber te bouwen terwijl je de blauwdrukken in je hoofd houdt, maar het gebouw blijft van vorm veranderen en je weet niet meer welke baksteen waar hoort.

Dit is de uitdaging waar het Danus-systeem zich mee bezighoudt. Denk aan Danus niet als één enkel superbrein, maar als een zeer georganiseerde bouwploeg die werkt aan een gigantische, complexe puzzel.

Hier is hoe Danus werkt, onderverdeeld in eenvoudige delen:

1. De Ploeg: Eén Hoofdbaas en Veel Werkers

In plaats van één AI die alles tegelijk probeert te doen (wat vaak tot verwarring leidt), splitst Danus het werk op:

De Hoofdagent (De Projectleider): Dit is de baas. Hij doet niet het zware werk van het oplossen van de wiskunde zelf. In plaats daarvan kijkt hij naar het grote plaatje, maakt hij een plan en wijst hij taken toe. Hij praat met de werkers, controleert hun voortgang en besluit wanneer er van koers veranderd moet worden. Hij fungeert ook als de brug naar menselijke wiskundigen, door hen "voortgangsrapporten" te sturen zodat mensen kunnen ingrijpen indien nodig.
De Werkerzwerm (De Bouwers): Dit zijn vele kleinere AI-agenten die tegelijkertijd aan het werk zijn. Terwijl de Manager plant, zijn de Werkers in het veld bezig om kleine stukjes van de puzzel te bewijzen. De een probeert een brug te bouwen, de ander probeert een fundering te graven, en een derde probeert te bewijzen dat een muur niet zal omvallen. Ze werken parallel en verkennen gelijktijdig veel verschillende paden.

2. De "Fact Graph": Het Ultieme Whiteboard

Het grootste probleem met het hebben van veel werkers is dat ze elkaar in de weg kunnen lopen of kunnen vergeten wat ze vijf minuten geleden hebben gedaan. Danus lost dit op met een Fact Graph (Feitengrafiek).

Stel je een gigantisch, digitaal whiteboard voor waar elk stukje informatie een post-it is.

Geverifieerde Feiten: Wanneer een Werker een kleine wiskundige stap bewijst, laat hij dit zien aan een Verifier (een strenge inspecteur). Als de inspecteur zegt: "Ja, dit is 100% correct", krijgt de Werker toestemming om een briefje op het whiteboard te plakken.
De Verbindingen: Het whiteboard houdt niet alleen briefjes vast; het trekt ook lijnen tussen hen. Als Brief B afhankelijk is van Brief A, is er een lijn die hen verbindt. Dit creëert een web van waarheid.
Waarom het ertoe doet: Omdat de briefjes met elkaar verbonden zijn, hoeft een Werker niet het hele gebouw te onthouden. Ze kijken gewoon naar de specifieke briefjes die ze nodig hebben voor hun huidige taak. Als een briefje later onjuist blijkt te zijn, kan het systeem dat briefje en alle briefjes die eraan verbonden zijn van het bord scheuren, waardoor de rest van de structuur veilig blijft.

3. De Inspecteur: De Stateless Verifier

Voordat een briefje op het whiteboard komt, moet het langs de Verifier.
Zie de Verifier als een strenge kwaliteitscontroleur met een korte concentratieboog. Hij bekijkt een bewijs, controleert het tegen de regels en de bestaande briefjes op het bord, en vergeet vervolgens direct alles over het. Hij koestert geen wroeging of verwarring over eerdere fouten. Hij geeft alleen om het feit of het huidige bewijs perfect is. Dit zorgt ervoor dat alleen 100% nauwkeurige feiten het systeem binnenkomen.

4. Hoe Ze Problemen Oplossen

Het proces ziet er als volgt uit:

De Mens geeft de ploeg een probleem (bijv. "Bewijs dit theorema over vormen").
De Manager breekt dit af en vertelt de Werkers om verschillende invalshoeken te verkennen.
De Werkers proberen kleine stappen te bewijzen. Lopen ze vast? Dan proberen ze het opnieuw. Vinden ze een pad? Dan sturen ze het naar de Inspector.
De Inspector controleert het. Als het slaagt, gaat het op de Fact Graph.
De Manager kijkt naar het groeiende web van feiten. Als hij ziet dat een pad vastloopt, zegt hij tegen de werkers dat ze van tactiek moeten wisselen. Als hij ziet dat een pad werkt, zegt hij dat ze door moeten gaan.
Het Schrijven: Zodra het definitieve bewijs op de Fact Graph is gebouwd, schrijft het systeem het uit als een formeel wiskundig artikel. Maar hier is de truc: het systeem schrijft het artikel, en vervolgens leest het het terug aan de Inspector om te controleren of het schrijven niet per ongeluk de betekenis van de wiskunde heeft veranderd. Als het schrijven slordig is, stuurt de Inspector het terug voor een herschrijving totdat het perfect is.

Wat Hebben Ze Eigenlijk Bereikt?

Het paper testte Danus op zes zeer moeilijke, echte wiskundeproblemen in velden zoals meetkunde en combinatoriek.

Succes: In sommige gevallen loste Danus het probleem volledig zelfstandig op, van begin tot eind, zonder enige menselijke hulp.
Samenwerking: In andere gevallen gaven mensen een kleine hint (zoals "probeer er eens zo naar te kijken"), en Danus nam die hint aan en voltooide de rest van het werk.
Correctie: In één geval vond Danus een fout in een beroemd wiskundeboek dat het gebruikte. Het realiseerde zich dat het boek fout zat, gooide de slechte aantekeningen weg, vond een betere bron en herstelde zijn eigen bewijs.

De Kern van het Verhaal

Danus is geen toverstaf die alles direct oplost. Het is een systeem voor het organiseren van intelligentie. Door een "Fact Graph" te gebruiken om duizenden kleine, geverifieerde stappen bij te houden, en door een team van werkers te laten werken die tegelijkertijd veel verschillende paden verkennen, kan Danus lange, complexe wiskundige argumenten opbouwen waar een enkele AI (of zelfs een mens die alleen werkt) waarschijnlijk in de war van zou raken.

Het paper concludeert dat hoewel mensen nog steeds nodig zijn om de problemen te kiezen en de uiteindelijke "duim omhoog" te geven, Danus een krachtig nieuw hulpmiddel is dat het zware werk van het opbouwen van het bewijs zelf kan doen.

Technische Samenvatting: Danus – Orkestratie van wiskundige redeneeragenten met een Fact-Graph Geheugen

Probleemstelling

Recente Large Language Model (LLM)-gebaseerde agenten hebben het vermogen getoond om onderzoeksniveau wiskundige problemen aan te pakken, waarbij ze soms openstaande vragen hebben opgelost. Het schalen van deze systemen naar langdurige onderzoeksopdrachten (long-horizon research tasks) blijft echter een aanzienlijke uitdaging. Bestaande multi-agent systemen vertrouwen vaak op een "genereer–verifieer–herzie"-lus met gespecialiseerde rollen, maar ze hebben moeite met het effectief coördineren van parallelle bewijszoekingen. Wanneer meerdere agenten proberen bij te dragen aan een enkel bewijs zonder robuust beheer van het geheugen, kunnen gedeelde contexten verward raken, kunnen irrelevante of foutieve tussenproducten zich voortplanten, en degradeert de prestatie. Het kernprobleem is hoe men een zwerm van agenten kan orkestreren om gezamenlijk lange, gedetailleerde en correcte wiskundige bewijzen te construeren terwijl een betrouwbare staat van waarheid behouden blijft.

Methodologie

Het paper stelt Danus voor, een orkestratiesysteem dat ontworpen is om wiskundig redeneren te schalen via een gedeelde Fact Graph die dient als een globaal geheugenbeheermechanisme. De systeemarchitectuur handhaaft een strikte scheiding der machten tussen drie verschillende typen agenten:

De Main Agent:
- Rol: Voert globale planning, coördinatie en strategische interactie met menselijke wiskundigen uit. Het voert geen gedetailleerde afleidingen uit.
- Functie: Het interpreteert het probleem, raadpleegt indien nodig hoogwaardige strategie-modellen (bijv. GPT-5.5-pro), deelt het probleem op in subtaken en wijst richtingen toe aan worker-agenten.
- Statusbeheer: Leest periodiek de Fact Graph en de globale geheugenlogs om de huidige status van het bewijs samen te vatten, doodlopende wegen te identificeren en werkers opnieuw toe te wijzen aan veelbelovende richtingen. Het fungeert als de interface voor menselijke begeleiding.
Worker Agents (Swarm):
- Rol: Voeren gedetailleerde bewijszoekingen parallel uit.
- Functie: Op basis van de Rethlas-generatieagenten verkennen werkers het probleem gelijktijdig vanuit meerdere hoeken (constructief en refutatief). Elke werker focust op specifieke beweringen (lemma's, tegenvoorbeelden, kleine voorbeelden) in plaats van op het volledige bewijs.
- Interactie: Werkers stellen beweringen voor met ondersteunende bewijzen aan de verifieerder. Ze halen relevante feiten op uit de Fact Graph om hun huidige beweringen te ondersteunen, maar bewerken de grafiek niet direct.
De Stateless Verifier:
- Rol: De enige autoriteit op het gebied van juistheid.
- Functie: Een stateless service die voorgestelde wiskundige beweringen controleert voordat ze aan de Fact Graph worden toegevoegd. Het leest de Fact Graph om afhankelijkheden en geciteerde referenties te verifiëren.
- Betrouwbaarheid: Is ontworpen om essentieel geen fout-positieven te produceren; het wijst bewijzen af met overgeslagen stappen of foutieve referenties.

De Fact Graph (Kerninnovatie)

De Fact Graph is een Directed Acyclic Graph (DAG) die dient als de single source of truth van het systeem.

Structuur: Knopen vertegenwoordigen geverifieerde feiten (een wiskundige bewering + een door een verifieerder gecontroleerd bewijs). Randen vertegenwoordigen logische afhankelijkheden (d.w.z. Feit B is afhankelijk van Feit A).
Voordelen ten opzichte van enkelvoudige blueprints: In tegenstelling tot eerdere systemen die een enkel Markdown-bestand gebruikten (wat alle werkers dwingt de volledige geaccumuleerde context te dragen), stelt de Fact Graph werkers in staat om alleen de specifieke feiten op te halen die relevant zijn voor hun huidige taak. Dit houdt het contextvenster klein en gefocust, wat hallucinaties en interferentie vermindert.
Parallellisme: Meerdere werkers kunnen gelijktijdig aan de grafiek bijdragen zonder conflicten in bestandvergrendeling.
Intrekking (Revocation): Als een feit later onjuist blijkt te zijn (bijv. door een gebrekkige referentie), wordt het en alle feiten die er van afhankelijk zijn uit de grafiek verwijderd, waardoor de integriteit van de resterende structuur gewaarborgd blijft.

Geheugenarchitectuur

Fact Graph: Slaat alleen geverifieerde waarheden op.
Global Memory: Een gedeelde context voor de Main Agent en werkers die tussenproducten bevat (plannen, doodlopende wegen, veelbelovende richtingen, geconstrueerde voorbeelden) en logs van consultaties met externe modellen.
Local Memory: Privé-logs voor individuele werkers om hun specifieke redeneergeschiedenis bij te houden.

Workflow

Initialisatie: Een mens levert een probleem aan. De Main Agent formuleert een plan en wijst taken toe aan de worker-swarm.
Parallel Zoeken: Werkers genereren beweringen en bewijzen en dienen deze in bij de Verifier. Geverifieerde feiten worden toegevoegd aan de Fact Graph.
Orkestratie: De Main Agent vat periodiek de status samen, raadpleegt externe modellen voor strategie en stuurt werkers bij op basis van voortgang of stagnatie.
Terminatie: De lus gaat door totdat de doelstelling (de stelling of de weerlegging ervan) als een geverifieerd feit in de grafiek verschijnt.
Synthese: De Main Agent zet de Fact Graph om in een manuscript in paper-stijl. Dit concept undergoes een laatste verificatiepass om fouten te corrigeren die zijn geïntroduceerd tijdens de compressie van feiten naar lineaire tekst.

Belangrijkste Bijdragen

Fact-Graph Orchestration: Introduceert een DAG-gebaseerd geheugenmechanisme dat een schaalbare, parallelle bewijszoeking mogelijk maakt door de context van de werker te ontkoppelen van de globale bewijsstatus, waardoor "context bloat" en interferentie die worden gezien bij single-file benaderingen worden voorkomen.
Scheiding der Machten: Vestigt een rigoureuze architectuur waarbij planning, uitvoering en verificatie strikt gescheiden zijn, wat voorkomt dat de orchestrator ongeverifieerde wiskunde introduceert.
Human-in-the-Loop Design: Faciliteert interactie waarbij mensen hoogwaardige begeleiding en de finale beoordeling bieden, terwijl het systeem de zware taken van zoeken, decompositie en synthese afhandelt.
Robuuste Verificatie Pipeline: Demonstreert een systeem waarbij een stateless verifier ervoor zorgt dat de Fact Graph een betrouwbare bron van waarheid blijft, wat de veilige accumulatie van lange afhankelijkheidsketens mogelijk maakt (tot 54 niveaus diep in experimenten).

Resultaten

Het systeem werd geëvalueerd op zes onderzoeksgerelateerde casestudies in de algebraïsche meetkunde, singulariteitstheorie en combinatoriek. In alle gevallen faalde een baseline GPT-5.5-pro webinterface om betekenisvolle resultaten te produceren.

Optimal Bend-and-Break voor Foliaties: Danus synthetiseerde technieken uit verschillende referenties om te bewijzen dat de optimale constante $r+1$ is. Het identificeerde onafhankelijk onbevredigende referenties en zocht naar betere.
Shokurov's Global Index Conjecture (3D): Danus decomponeerde het probleem autonoom in vijf klassen en ontdekte een Lie-theoretische oplossing voor drie klassen. Het had slechts een hoogwaardige hint (foliated minimal model program) nodig om de overige twee op te lossen.
Total Cartier Indices in Families: Danus overbrugde algebraïsche meetkunde, commutatieve algebra en reële algebraïsche meetkunde om begrensdheid te bewijzen. Het corrigeerde een verkeerd gelezen hypothese uit een PDF-bron na menselijke interventie.
Matryoshka Numbers Asymptotics: Danus loste dit combinatorische probleem volledig autonoom op, van probleemstelling tot voltooid manuscript, met nul menselijke wiskundige begeleiding.
Weighted Homogeneity via Logarithmic Vector Fields: Danus produceerde een bewijs via een route die onvoorzien was door menselijke experts. Toen een gebrekkige referentie door mensen werd geïdentificeerd, slaagde Danus erin de afhankelijke feiten in te trekken en het bewijs te reconstrueren.
Tangent Classes of Matroids: In een gecontroleerde vergelijking met zijn voorganger (Rethlas), loste Danus een complex probleem op dat Rethlas niet kon oplossen in drie pogingen. De Fact Graph stelde het systeem in staat om 3.157 geverifieerde feiten en afhankelijkheidsketens te beheren, terwijl Rethlas verschillende wiskundige concepten met elkaar verwarde.

Betekenis en Claims

Het paper claimt dat fact-graph-gebaseerde orkestratie een effectieve route biedt naar het schalen van wiskundige redeneeragenten voor langdurige onderzoeksopdrachten.

Schaalbaarheid: Het systeem slaagt erin de test-time computation te schalen in zowel breedte (parallel verkennen van vele richtingen) als diepte (accumuleren van lange ketens van geverifieerd redeneren).
Betrouwbaarheid: Het strikte verificatieprotocol zorgt ervoor dat de Fact Graph een betrouwbare bron van waarheid blijft, wat de constructie van bewijzen mogelijk maakt die te lang en complex zijn voor een enkele modelpass.
Collaboratie: Danus demonstreert dat AI-agenten substantieel kunnen bijdragen aan bewijsconstructie, waarbij ze decompositie, synthese en foutherstel afhandelen, terwijl menselijke wiskundigen essentieel blijven voor probleemselectie, het leveren van ontbrekende hoogwaardige ideeën en de finale expertbeoordeling.
Beperkingen: De auteurs merken bescheiden op dat het systeem nog steeds menselijke interventie vereist voor de moeilijkste conceptuele sprongen en dat de uiteindelijke manuscriptgeneratie, hoewel geverifieerd, nog steeds menselijke aanpassingen kan vereisen voor notatie en citatieconventies. Het systeem creëert geen nieuwe wiskundige ideeën ex nihilo, maar blinkt uit in het vinden van paden naar oplossingen wanneer deze bestaan.

Het paper concludeert dat Danus een stap vertegenwoordigt naar collaboratieve wiskundige onderzoekssystemen waarbij AI-agenten worden geïntegreerd met menselijk oordeel om openstaande onderzoeksgebieden op te lossen.