Learning Abstractions for Mathematics

Forskningsprojekt, 2026 – 2030

Hierarkisk reinforcement learning (HRL) är en teknik inom maskininlärning som används för att lära sig komplexa uppgifter genom att dela upp dem i mindre, mer hanterbara delar. HRL gör det möjligt för en agent att lära sig högre abstraktioner som en mäsklig matematiker, genom att lösa delproblem på olika nivåer av en hierarki, snarare än att bara försöka lösa en uppgift från början till slut. Inom bevisassistenter och satsbevisare kan HRL användas för att automatiskt upptäcka och använda dessa abstraktioner för att förenkla och förbättra bevisprocesser. Genom att använda HRL kan systemet effektivt bygga upp en förståelse för matematiska strukturer och sedan använda denna förståelse för att prova satser och generera bevis, vilket gör bevisföring både snabbare och mer flexibele. Detta projeckt kommer att använde HRL metoder i combination med modernt proof assistnter och theorem provers.