다항 방정식 시스템을 푸는 표준 엔진인 Gröbner 기저 계산의 효율은 단항식 순서(monomial ordering) 선택에 달려 있다. 가능한 단항식 순서가 거의 연속에 가깝게 많음에도 불구하고, 대부분의 구현은 GrevLex와 같은 정적 휴리스틱에 의존하며 주로 전문가 직관에 기대고 있다. 우리는 허용 가능한 순서 공간 위에서 단항식 순서 선택을 강화학습 문제로 공식화함으로써 이 공백을 메운다. 우리 접근법은 Gröbner 기저 계산의 계산 비용을 정확히 반영하는 도메인 정보 기반 보상 신호를 활용하며, 효율적인 몬테카를로 추정이 가능하다. 시스템 생물학과 컴퓨터 비전(CV)의 벤치마크 문제에 대한 실험에서, 학습된 정책은 표준 휴리스틱을 일관되게 능가하여 계산 비용을 크게 줄였다. 더 나아가 이러한 정책은 단순하고 해석 가능한 모델로의 지식 증류(distillation)에 잘 견디지 못하는 것으로 나타났으며, 이는 심층 강화학습이 에이전트(agent)가 전통적 휴리스틱의 범위를 넘는 비선형 기하 구조를 활용할 수 있게 한다는 실증적 증거를 제공한다.
심층 학습(deep learning)의 이론적 문제들에서 동기를 얻어, 서로 다른 상수가 아닌 다항식 유한 개를 충분히 큰 차수의 일반(generic) 다항식과 사후 합성(post-composition)하면 선형 독립인 다항식들이 얻어진다는 추측을 제시한다. 이는 다항식의 거듭제곱에 관한 Newman–Slater 정리를 일반화한 것이다. 우리는 이 추측과 원점을 지나는 변형(origin-passing variant)의 여러 경우를 증명한다. 다항식이 두 개인 경우, 그리고 다항식의 차수가 유계일 때 임의 개수의 다항식에 대해 결과를 증명한다. 나아가, 이 추측이 일반 다항식 활성화 함수를 갖는 심층 완전 연결 신경망(neural network) 아키텍처의 식별 가능성(identifiability, 즉 매개변수(parameter) 대칭성)에 대한 완전한 이해를 함의함을 보인다. 특히 층(layer)별로 차수가 증가하는 활성화 함수를 갖는 네트워크 아키텍처의 경우, 우리가 증명한 추측의 버전들은 동일한 종단 간(end-to-end) 네트워크 함수를 만드는 매개변수 집합을 완전히 규명한다. 특수한 경우로서, 얕은 다항식 네트워크의 식별 가능성을 완전히 해결한다.