该论文先容，基于人工智能的工具(例如LLM)有望加速科学创造，办理长久存在的问题，但它们有时受制于“幻觉”，导致作出看似合理但缺点的陈述。
加入一个评估步骤，系统地衡量潜在办理方案的准确性，使得靠LLM帮助应对繁芜问题成为可能。
这些问题一样平常须要可验证且定义明确，使这一工具在数学科学中有潜在代价。

论文第一作者和通讯作者、Google DeepMind的Bernardino Romera-Paredes和Alhussein Fawzi与同事及互助者一起提出一种方法，称为FunSearch(由于它搜索函数空间)，将一组产生创造性办理方案的LLM和一个作为检讨者以避免缺点建议的评估程序结合起来。
一个多次迭代此过程的蜕变方法，通过供应此前最佳办理办法作为输入来勾引LLM，结果表明这种方法可以收敛到新的、可验证的精确结果。
他们将FunSearch运用到了著名的上限集问题(cap set problem，数学中涉及计数和排列领域的一个中央问题)，创造了超越最著名上限集的大上限集新布局。

论文作者认为，FunSearch的成功关键是它会探求描述如何办理一个问题的程序，而非探求办理办法。
由于FunSearch的结果是程序，结果易于人类阐明和验证，这意味着该方法有望引发该领域的进一步思考。

他们补充指出，目前，这个方法可能还不适宜所有类型的寻衅，但通过未来改进或可使FunSearch运用于更大范围的问题。
(完)