本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
大家都知道，AI (神经网络) 连加减法这样的简单算术都做不好：
可现在，AI已经懂得微积分，把魔爪伸向你最爱的高数了。
它不光会求不定积分：
还能解常微分方程：
一阶二阶都可以。
这是Facebook发表的新模型，1秒给出的答案，超越了Mathematica和Matlab这两只付费数学软件30秒的成绩。
团队说，这是Seq2Seq和Transformer搭配食用的结果。
用自然语言处理 (NLP) 的方法来理解数学，果然行得通。
这项成果，已经在推特上获得了1700赞。许多小伙伴表示惊奇，比如：
感谢你们！在我原本的想象中，这完全是不可能的！
而且，据说算法很快就要开源了：
到时候让付费软件怎么办？
巨大数据集的生成姿势
要训练模型做微积分题目，最重要的前提就是要有大大大的数据集。
这里有，积分数据集和常微分方程数据集的制造方法：
函数，和它的积分
首先，就是要做出“一个函数&它的微分”这样的数据对。团队用了三种方法：
第一种是正向生成 (Fwd) ，指生成随机函数 (最多n个运算符) ，再用现成的工具求积分。把工具求不出的函数扔掉。
第二种是反向生成 (Bwd) ，指生成随机函数，再对函数求导。填补了第一种方法收集不到的一些函数，因为就算工具求不出积分，也一定可以求导。
第三种是用了分部积分的反向生成 (Ibp) 。前面的反向生成有个问题，就是不太可能覆盖到f(x)=x3sin(x)的积分：
F(x)=-x3cos(x)+3x2sin(x)+6xcos(x)-6sin(x)
因为这个函数太长了，随机生成很难做到。
另外，反向生成的产物，大多会是函数的积分比函数要短，正向生成则相反。
为了解决这个问题，团队用了分部积分：生成两个随机函数F和G，分别算出导数f和g。
如果fG已经出现在前两种方法得到的训练集里，它的积分就是已知，可以用来求出Fg：
∫Fg=FG-∫fG
反过来也可以，如果Fg已经在训练集里，就用它的积分求出fG。
每求出一个新函数的积分，就把它加入训练集。
如果fG和Fg都不在训练集里，就重新生成一对F和G。
如此一来，不借助外部的积分工具，也能轻松得到x10sin(x)这样的函数了。
一阶常微分方程，和它的解
从一个二元函数F(x,y)说起。
有个方程F(x,y)=c，可对y求解得到y=f(x,c)。就是说有一个二元函数f，对任意x和c都满足：
再对x求导，就得到一个微分方程：
fc表示从x到f(x,c)的映射，也就是这个微分方程的解。
这样，对于任何的常数c，fc都是一阶微分方程的解。
把fc替换回y，就有了整洁的微分方程：
这样一来，想做出“一阶常微分方程&解”的成对数据集，只要生成一个f(x,c)，对c有解的那种，再找出它满足的微分方程F就可以了，比如：
二阶常微分方程，和它的解
二阶的原理，是从一阶那里扩展来的，只要把f(x,c)变成f(x,c1,c2) ，对c2有解。
微分方程F要满足：
把它对x求导，会得到：
fc1,c2表示，从x到f(x,c1,c2)的映射。
如果这个方程对c1有解，就可以推出另外一个三元函数G，它对任意x都满足：
再对x求导，就会得到：
最后，整理出清爽的微分方程：
它的解就是fc1,c2。
至于生成过程，举个例子：
现在，求积分和求解微分方程两个训练集都有了。那么问题也来了，AI要怎么理解这些复杂的式子，然后学会求解方法呢？
将数学视作自然语言
积分方程和微分方程，都可以视作将一个表达式转换为另一个表达式，研究人员认为，这是机器翻译的一个特殊实例，可以用NLP的方法来解决。
第一步，是将数学表达式以树的形式表示。
运算符和函数为内部节点，数字、常数和变量等为叶子节点。
比如 3x^2 + cos(2x) - 1 就可以表示为：
再举一个复杂一点的例子，这样一个偏微分表达式：
用树的形式表示，就是：
采用树的形式，就能消除运算顺序的歧义，照顾优先级和关联性，并且省去了括号。
在没有空格、标点符号、多余的括号这样的无意义符号的情况下，不同的表达式会生成不同的树。表达式和树之间是一一对应的。
第二步，引入seq2seq模型。
seq2seq模型具有两种重要特性：
输入和输出序列都可以具有任意长度，并且长度可以不同。
输入序列和输出序列中的字词不需要一一对应。
因此，seq2seq模型非常适合求解微积分的问题。
使用seq2seq模型生成树，首先，要将树映射到序列。
使用前缀表示法，将每个父节点写在其子节点之前，从左至右列出。
比如 2 + 3 * (5 + 2)，表示为树是：
表示为序列就是 [+ 2 * 3 + 5 2]。
树和前缀序列之间也是一一映射的。
第三步，生成随机表达式。
要创建训练数据，就需要生成随机数学表达式。前文已经介绍了数据集的生成策略，这里着重讲一下生成随机表达式的算法。
使用n个内部节点对表达式进行统一采样并非易事。比如递归这样的方法，就会倾向于生成深树而非宽树，偏左树而非偏右树，实际上是无法以相同的概率生成不同种类的树的。
所以，以随机二叉树为例，具体的方法是：从一个空的根节点开始，在每一步中确定下一个内部节点在空节点中的位置。重复进行直到所有内部节点都被分配为止。
不过，在通常情况下，数学表达式树不一定是二叉树，内部节点可能只有1个子节点。如此，就要考虑根节点和下一内部节点参数数量的二维概率分布，记作 L(e,n)。
接下来，就是对随机树进行采样，从可能的运算符和整数、变量、常量列表中随机选择内部节点及叶子节点来对树进行“装饰”。
最后，计算表达式的数量。
经由前面的步骤，可以看出，表达式实际上是由一组有限的变量、常量、整数和一系列运算符组成的。
于是，问题可以概括成：
- 最多包含n个内部节点的树
- 一组p1个一元运算符（如cos，sin，exp，log）
- 一组p2个二进制运算符（如+，-，×，pow）
- 一组L个叶子值，其中包含变量（如x，y，z），常量（如e，π），整数（如 {-10，…，10}）
如果p1 = 0，则表达式用二叉树表示。
这样，具有n个内部节点的二叉树恰好具有n + 1个叶子节点。每个节点和叶子可以分别取p1和L个不同的值。
具有n个二进制运算符的表达式数量就可以表示为：
如果p1 > 0，表达式数量则为：
可以观察到，叶子节点和二元运算符的数量会明显影响问题空间的大小。
△不同数目运算符和叶子节点的表达式数量
胜过商业软件
实验中，研究人员训练seq2seq模型预测给定问题的解决方案。采用的模型，是8个注意力头（attention head），6层，512维的Transformer模型。
研究人员在一个拥有5000个方程的数据集中，对模型求解微积分方程的准确率进行了评估。
结果表明，对于微分方程，波束搜索解码能大大提高模型的准确率。
而与最先进的商业科学计算软件相比，新模型不仅更快，准确率也更高。
在包含500个方程的测试集上，商业软件中表现最好的是Mathematica。
比如，在一阶微分方程中，与使用贪婪搜索解码算法（集束大小为1）的新模型相比，Mathematica不落下风，但新方法通常1秒以内就能解完方程，Mathematica的解题时间要长的多（限制时间30s，若超过30s则视作没有得到解）。
而当新方法进行大小为50的波束搜索时，模型准确率就从81.2%提升到了97%，远胜于Mathematica（77.2%）
并且，在某一些Mathematica和Matlab无力解决的问题上，新模型都给出了有效解。
△商业科学计算软件没有找到解的方程
邀请AI参加IMO
这个会解微积分的AI一登场，就吸引了众多网友的目光，引发热烈讨论。网友们纷纷称赞：鹅妹子嘤。
有网友这样说道：
这篇论文超级有趣的地方在于，它有可能解决复杂度比积分要高得高得高得多的问题。
还有网友认为，这项研究太酷了，该模型能够归纳和整合一些sympy无法实现的功能。
不过，也有网友认为，在与Mathematica的对比上，研究人员的实验设定显得不够严谨。
默认设置下，Mathematica是在复数域中进行计算的，这会增加其操作的难度。但作者把包含复数系数的表达式视作“无效”。所以他们在使用Mathematica的时候将设置调整为实数域了？
我很好奇Mathematica是否可以解决该系统无法解决的问题。
30s的限制时间对于计算机代数系统有点武断了。
但总之，面对越来越机智的AI，已经有人发起了挑战赛，邀请AI挑战IMO金牌。
Facebook AI研究院出品
这篇论文有两位共同一作。
Guillaume Lample，来自法国布雷斯特，是Facebook AI研究院、皮埃尔和玛丽·居里大学在读博士。
他曾于巴黎综合理工学院和CMU分别获得数学与计算机科学和人工智能硕士学位。2014年进入Facebook实习。
François Charton，Facebook AI研究院的客座企业家（Visiting entrepreneur），主要研究方向是数学和因果关系。
