符号数学的深度学习

这篇文字主要介绍了Facebook AI Research的一篇关于使用深度学习解决符号数学问题的论文。作者认为，传统的用树结构表示符号数学表达式并用神经网络进行处理的方法存在局限性，他们提出了一种新的思路，将符号数学表达式视为自然语言表达式。

文章首先介绍了Wolfram Alpha这个在线数学引擎，它可以进行符号运算，并举例说明了符号运算与数值运算的区别。接着，文章引入了Facebook AI Research的论文，该论文旨在利用神经网络解决符号数学问题。作者指出，神经网络在统计或近似问题方面表现出色，但在处理符号数据方面却存在不足。

为了克服这一局限性，Facebook AI Research团队将符号数学表达式视为自然语言表达式，并将其分解成一系列的token。这种方法避免了传统的树结构表示法，并允许神经网络直接处理符号数学表达式的序列。

文章最后总结了该论文的创新之处，即使用自然语言处理的思路来解决符号数学问题。这种方法为解决符号数学问题提供了一种新的思路，并有望推动该领域的发展。

该模型通过 seq2seq 来求解积分和微分方程！https://arxiv.org/abs/1912.01412https://ai.facebook.com/blog/using-neural-networks-to-solve-advanced-mathematics-equations/摘要：神经网络以擅长解决统计或近似问题而闻名，而不是执行计算或处理符号数据。在本文中，我们展示了它们在更复杂的数学任务中可以出奇地好，例如符号积分和求解微分方程。我们提出了一种表示数学问题的语法，以及生成大型数据集的方法，这些数据集可用于训练序列到序列模型。我们取得的结果优于 Matlab 或 Mathematica 等商业计算机代数系统。