用于科学研究的LLM：P vs. NP问题研究

​

Large Language Model for Science: A Study on P vs. NP

Q Dong, L Dong, K Xu, G Zhou, Y Hao, Z Sui, F Wei
[Microsoft Research & Beihang University]

用于科学研究的LLM：P vs. NP问题研究

要点:

• 提出将大型语言模型(LLM)作为人类协作伙伴来解决复杂科学难题的范式，称为“用于科学研究的LLM”。

• 提出“苏格拉底式推理(Socratic reasoning)”框架，通过演绎、转换、分解等模式来激发LLM的批判性思维。

• 利用GPT-4和苏格拉底式推理框架，对理论计算机科学中的P vs NP问题进行了先导研究。

• GPT-4成功产生了一个证明框架，并在97轮对话中进行了严格的推理，得出与Xu和Zhou(2023)的最近工作一致的结论“P≠NP”。

• 该研究证明了GPT-4等LLM有可能推广新知识，并与人类协作探索复杂的专家级问题。

• 强调LLM是通用的创新领航器，不同于以往为特定任务定制的专用AI模型。

• LLM灵活运用自然语言和数学语言的多面手能力，对跨学科发现至关重要。

• 该工作预示着将LLM作为人类的协作伙伴，以增强和加速各个领域的科学研究过程。

• 存在的局限包括对更高度自动化、逻辑组织证明、集成外部工具和实验验证的需求。总的来说，它是“用于科学研究的LLM”的一个有前景的探索。

动机：用大型语言模型(LLM)来增强和加速P vs. NP问题的研究，这是理论计算机科学和数学中最重要的开放问题之一。
方法：提出苏格拉底推理，一个通用框架，通过LLM促进深入思考和解决复杂问题。
优势：通过与GPT-4的对话，成功地推导出“P ≠ NP”的证明方案，并在97个对话轮次中进行了严格的推理。揭示了LLM在解决复杂问题中的潜力。

一句话总结： 使用大型语言模型探索P vs. NP问题，提出苏格拉底推理框架，成功推导出“P ≠ NP”的证明方案。

https://arxiv.org/abs/2309.05689 

​Read More