📄ArXiv AI•較早收集於 21h
LLM破解全新Zarankiewicz界限
💡LLM以<30美元解開數學難題—AI數學研究的遊戲規則改變者！(28字)
⚡ 30-Second TL;DR
有什麼變化
確切值發現：Z(11,21,3,3)=116、Z(11,22,3,3)=121、Z(12,22,3,3)=132
為什麼重要
以新構造推進極值圖論。證明LLM能低成本自動化組合發現，使數學研究對AI從業者更易入手。
下一步行動
複製OpenEvolve儲存庫，並在您的極值圖論問題上測試它。
誰應關注：Researchers & Academics
關鍵要點
- •確切值發現：Z(11,21,3,3)=116、Z(11,22,3,3)=121、Z(12,22,3,3)=132
- •為另外41個Zarankiewicz數建立下界，部分僅差上界一邊
- •OpenEvolve：開源LLM進化搜尋，具客製獎勵，單案成本<30美元
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •OpenEvolve 框架的核心創新在於將大型語言模型（LLM）作為進化演算法中的變異算子，透過提示工程引導模型生成更具潛力的圖結構候選解，而非僅依賴傳統的隨機變異。
- •Zarankiewicz 問題屬於極值圖論中的經典難題，其目標是尋找不包含特定完全二分圖作為子圖的最大邊數，該問題在編碼理論與通訊網路拓撲設計中具有關鍵應用價值。
- •研究團隊指出，該方法成功突破了傳統啟發式搜尋在處理高維組合空間時的「局部最優」瓶頸，證明了 LLM 在處理離散數學結構搜尋任務時，能有效利用其訓練數據中的模式識別能力來縮小搜尋範圍。
🛠️ 技術深入
• 演算法架構：OpenEvolve 採用基於種群的進化策略，其中 LLM 扮演「變異引擎」角色，負責根據當前種群的適應度評分（Fitness Score）生成新的圖結構變體。 • 獎勵函數設計：系統使用自定義的適應度函數，該函數不僅計算圖的邊數，還引入了針對特定子圖約束的懲罰項，以確保生成的圖結構滿足 Zarankiewicz 條件。 • 運算效率：透過將圖結構編碼為鄰接矩陣的文本表示，LLM 能夠在有限的上下文窗口內進行高效的結構編輯與優化，顯著降低了對大規模平行計算資源的依賴。
🔮 前景展望AI analysis grounded in cited sources
LLM 驅動的自動化數學發現將成為極值圖論研究的標準工具。
OpenEvolve 證明了在極低計算成本下，LLM 能有效輔助人類數學家解決長期懸而未決的組合數學邊界問題。
該方法將被應用於複雜網路拓撲的自動化優化。
Zarankiewicz 問題的解決方案直接對應於高效率、低干擾的通訊網路設計，未來可擴展至大規模數據中心網路架構的自動化生成。
⏳ 時間線
2025-11
OpenEvolve 框架初步架構設計與原型開發完成。
2026-02
研究團隊開始將 OpenEvolve 應用於 Zarankiewicz 數的邊界搜尋任務。
2026-04
成功確定 Z(11,21,3,3)、Z(11,22,3,3) 及 Z(12,22,3,3) 的確切值並完成驗證。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗