PyTorchKR Papers

최신 논문

총 14편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2603.26524math.HO

Mathematical methods and human thought in the age of AI

## 논문 소개 인공지능(Artificial Intelligence, AI)은 이제 단순한 자동화 도구를 넘어 인간의 사고, 창작, 검증 활동에 깊숙이 들어온 지적 파트너로 자리 잡고 있으며, 이 과정에서 인간 중심성(human-centeredness)을 어떻게 유지할 것인지가 중요한 논점으로 부상하고 있습니다. 이러한 문제의식 위에서 본 논문은 AI를 인간이 역사적으로 발전시켜 온 지식 생산 도구의 자연스러운 연장선으로 해석하면서도, 그 활용이 인간의 삶의 질과 이해의 확장을 목표로 해야 한다는 규범적 관점을 제시합니다. 연구 방법론은 실증 실험보다는 철학적 개념 분석과 단계적 논증에 기반하며, 특히 수학에서의 활용을 중심 사례로 삼아 AI의 역할을 단기, 중기, 장기로 나누어 검토합니다. 단기적으로는 AI를 지적 생산물의 질을 보정하는 보조 장치, 즉 “바닐라 추출물”과 같은 향미 강화 요소로 보며, 인간이 작성한 사고를 정교하게 다듬는 제한적 활용의 타당성을 강조합니다. 중기적으로는 AI가 생성한 내용이 사회와 학술 공간을 빠르게 잠식할 수 있다는 점에 주목하여, AI를 창출자(blue team)보다 검증자(red team)로 활용하는 편이 더 안전하고 효과적이라는 프레임을 제안합니다. 이때 형식적 증명 보조기(formal proof assistants)와 같은 도구는 오류 탐지와 교정에 유리한 수단으로 제시되며, 인간이 최종 책임을 지는 검증 구조가 핵심 원칙으로 설정됩니다. 장기적으로는 AI가 인간 전문가의 능력을 넘어설 가능성을 가정하고, 형식주의(formalism), 인간 예외주의(human exceptionalism), 전면적 자동화라는 서로 다른 입장을 비교하면서도 어느 한쪽으로 극단화되지 않는 중도적 관점을 모색합니다. 특히 체스의 사례를 통해, 기계가 인간을 능가한 이후에도 인간 활동이 소멸하는 것이 아니라 AI와의 공존 속에서 새로운 학습, 이론 갱신, 경쟁 형식의 창출이 가능하다는 점을 설득력 있게 보여줍니다. 더 나아가 코페르니쿠스적 관점(Copernican view)을 통해 인간 지능을 유일한 중심으로 보던 시각을 재구성하고, 인간과 AI를 상호 보완적인 존재론적 범주로 이해해야 한다는 철학적 전환을 제안합니다. 결국 이 논문의 기여는 AI의 기술적 가능성을 찬양하거나 경계하는 수준을 넘어, AI를 인간 이해의 확장, 위험의 통제, 지적 활동의 재조직이라는 관점에서 다루는 정교한 방법론적 틀을 제시했다는 데 있습니다.

arXiv:2602.05192cs.AI

First Proof

현재 인공지능(AI) 시스템이 연구 수준의 수학 문제를 해결할 수 있는 능력을 평가하기 위한 초기 연구가 진행되고 있다. 저자들은 연구 과정에서 자연스럽게 발생한 10개의 수학 문제를 제시하며, 이 문제들은 그동안 공개되지 않았고 저자들만 정답을 알고 있다. 이 연구의 주요 목표는 AI 도구가 전문 수학자들의 작업 흐름에서 어떤 역할을 할 수 있는지를 깊이 이해하는 것이다. 현재 상용 AI 시스템은 수학자들에게 유용한 도구로 자리 잡고 있지만, 연구 수준의 문제를 스스로 해결할 수 있는 능력은 아직 명확하지 않다. 기존의 수학 벤치마크는 AI 시스템의 성능을 수학 경시대회 문제에 한정하고 있어, 연구자들이 수행하는 창의적 수학의 실제를 반영하지 못하고 있다. 연구 능력의 평가는 도전적인 과제이다. 최신 AI 시스템이 문헌 검색과 문제 변환에 능숙해짐에 따라, 문제 해결 능력과 검색 능력을 분리하는 것이 어려워졌다. 저자들은 이상적인 테스트가 수학자의 연구 과정에서 자연스럽게 발생한 문제를 포함해야 한다고 주장하며, 이러한 문제들은 수학자가 해결했지만 인터넷에 게시되지 않은 것들이다. 제시된 10개의 문제는 대수 조합론, 스펙트럴 그래프 이론, 대수적 위상수학 등 다양한 수학 분야에서 발생한 연구 수준의 문제들로, 각 문제는 저자들에 의해 해결되었으며 증명은 약 5페이지 이내로 제한되어 있다. 이러한 페이지 제한은 현재 AI 시스템의 기술적 한계를 반영하며, 많은 질문들이 독립적으로 출판 가능한 연구로서의 중요성이 부족하다는 점을 시사한다. 저자들은 '첫 증명' 실험이 수학 연구의 최종적이고 가장 잘 정의된 단계에 초점을 맞추고 있음을 강조하며, 질문의 선택이나 새로운 이론의 개발은 다루지 않음을 명확히 한다. 이 연구는 AI 시스템이 수학 문제를 해결하는 능력을 평가하기 위한 새로운 벤치마크의 기초가 될 것으로 기대되며, 커뮤니티가 이 질문들로 실험하고 결과를 공유할 것을 초대하고 있다. 이러한 접근은 AI의 수학적 문제 해결 능력을 평가하는 데 있어 중요한 기여를 할 것으로 보인다.

arXiv:2611.02186v1cs.AI

Recursive Reasoning Exploration: Mathematical Research through Evolving Reasoning Graphs : case study: An Exact Certificate-Degree Theorem for Two-Term Tensor Decompositions : Phase III of the Math Instruments Program

Large collections of manuscripts and research notes offer ways to reuse arguments, while making it harder to retain hypotheses, check claims, and understand how results were obtained. We propose Recursive Reasoning Exploration (RRE), a framework for cumulative mathematical research through evolving reasoning graphs. RRE links claims and jointly required premises to research targets, attempted arguments, counterexamples, checks, and revisions. Each investigation can generate further targets, and its supported outcomes become available to subsequent investigations. This is Phase III of the Math Instruments program: identifying mathematical instruments, reconstructing reusable reasoning, and organizing recursive research from that reasoning. The framework supports human-directed, collaborative, and goal-directed autonomous exploration, with open-ended exploration as a further mode. Its records also provide material for learning how mathematical investigations develop. A complexity research case study establishes an exact theorem: for every complex tensor of order n >= 2 and rank greater than two, the minimum Nullstellensatz certificate degree for its original two-term decomposition equations is 3n. This includes an infinite family whose every flattening has rank at most two. The exploration develops an explicit boundary certificate, a balanced transfer lemma, and an exhaustive argument using classical rank-two geometry. A parallel branch gives bounds 3m + 3 <= delta_m(I_m, N) <= 3m + 6 for every nonzero nilpotent m by m matrix. Six graph revisions record the progression from inherited results to these theorems, with exact arithmetic checks and a replayable exploration history. We present the RRE representation and protocol, the mathematical proofs, visualizations of graph evolution, and a research agenda for shared human-AI exploration, cumulative reuse, and education.

arXiv:2610.40382v1cs.AI

Beyond Selected Breakthroughs: Evaluating Language Models on Randomly Sampled Mathematical Conjectures

The last year has seen a shift in AI-assisted mathematics, with frontier language models producing proofs of and counterexamples to long-standing open conjectures. However, studying only the current set of major breakthroughs provides an incomplete picture of LLM capabilities and the computational resources needed to achieve reported results. To address this, we introduce a new dataset, OpenConjecture, which collects conjectures from mathematics papers published on the arXiv since February 2026. We use these conjectures as a source of open mathematical problems, and apply frontier GPT models to a random sample of 200 of these conjectures over three passes using a reproducible protocol without problem-specific mathematical guidance. Rather than attempt expert verification of these candidate solutions, we analyze the types of problems for which LLMs produce solutions and the characteristics of these solutions. The models we test produce candidate solutions for roughly 60% of the conjectures, with counterexamples about 1.3 times more common than proofs. We estimate solution novelty, assess how solutions cite and relate to existing literature, and analyze whether the proposed resolution relies on either an error in or underspecification of the conjecture. We find that models sometimes propose resolutions that are outside the authors' intent (e.g., proposing the trivial group as a counterexample) and that a number of proofs follow closely from existing results, but that some resolutions exhibit at least moderate novelty. Our findings underscore the need for evaluations that go beyond correctness to assess fidelity to the intended statement, attribution, and the nature of the mathematical contribution.

arXiv:2610.08565v1cs.LG

특잇값 분해: 기하학적 재발견, 증명이 알고리즘이 되는 곳

Singular Value Decomposition: A Geometric Rediscovery, Where Proofs Become Algorithms

본 논문은 특잇값 분해(SVD)에 대한 기하학적 재발견이며, 나아가 여기서 구축하는 구조가 머신러닝의 상당 부분을 뒷받침하는 메커니즘이라는 주장을 제시합니다. 타원에 관한 단순한 질문에 답하는 바로 그 논증이 주성분 분석(PCA), 커널(kernel) 기법, PageRank의 근간이 되는 알고리즘이며, 결과뿐만 아니라 절차로서 수행되는 증명 자체까지도 전이됩니다. 통상적인 도입부에서는 $A = UΣV^T$를 서술하고 $A^T A$에 적용된 스펙트럼 정리를 통해 이를 정당화합니다. 이는 옳지만, 결국 타원에 관한 결과에 도달하기 위해 강력한 정리를 전제하므로 직관적인 이해를 돕지는 못합니다. 1부에서는 이 순서를 뒤집습니다. 선형 사상은 단위원(unit circle)을 타원으로 매핑합니다. 어떤 입력 방향이 타원의 축으로 매핑되는지 질문하면, 여러 예시를 통해 그 방향들이 서로 수직임을 발견하게 됩니다. 평면에서는 이를 직접 확인할 수 있습니다. 좌표계를 회전시키고 그 상(image)들이 직교에서 얼마나 벗어나는지 추적하면, 부호 변화로 인해 상들이 정확히 수직이 되는 프레임이 필연적으로 존재하게 되며, 이는 사상이 가장 강하게 늘어나는 지점이기도 합니다. 늘어남(stretch)을 극대화하고 이를 재귀적으로 반복하면 $n$차원으로 일반화되어 특잇값이 순서대로 도출되며, 이 구성은 스펙트럼 정리를 가정하기보다는 증명하게 됩니다. 2부에서는 각 구성을 실제로 적용합니다. '극대화 후 재귀'는 거듭제곱법(power method)과 PageRank가 되고, 극대점을 찾는 보조정리는 경사하강법(gradient descent)의 정지 규칙이 되며, $A^T A$와 $A A^T$ 사이의 쌍대성은 커널 PCA의 핵심인 변환 과정이 됩니다. 각각의 연계성은 분해가 제공하는 바와 다른 아이디어가 이어받는 경계를 명시하여 설명됩니다. 선수 지식은 일반적인 대학 2학년 수준의 수학 과정이며, 풀이 예제들은 손으로 직접 검증할 수 있을 만큼 간결합니다.

arXiv:2609.24555v1cs.AI

끝없는 시험: 초지능을 향한 오늘날 모델들의 수학적 구성

The Endless Exam: Mathematical Constructions from Today's Models toward Superintelligence

우리는 14개의 매개변수화된 구성 계열(construction family)을 통해 오늘날의 모델들이 인공 초지능(artificial superintelligence)을 향해 보이는 수학적 진전을 측정하는 벤치마크인 Endless Exam을 소개한다. 제출된 각 객체는 유효성이 자동으로 검증되며, 개선치를 $1$로 상한을 두지 않은 채 공개된 프런티어 또는 구성 기준선 대비 상대적 품질 점수가 부여된다. 각 계열은 장기적 목표를 위해 미해결 수학 문제들을 활용하며, 더 큰 매개변수에서 새로운 인스턴스를 생성하는데, 이때 간결한 증명서(compact certificate)를 통해 대규모 구성도 검증 가능하도록 유지된다. 69개의 서로 다른 인스턴스에 대해 평가된 8개 모델 전반에서, 평가된 어떤 시스템도 공개된 프런티어를 넘어서지 못했음에도 연속적인 품질 점수는 성능을 변별해낸다. 크기-품질 곡선(size-quality curve)은 문제 크기가 커짐에 따라 구성 품질이 어떻게 변화하는지를 보여준다. 우리는 인간의 프런티어 이전과 이후 모두에서 지속적인 측정을 지원하기 위해 생성기, 검증기, 참조 자료, 모델 응답 및 분석 결과를 공개한다.

arXiv:2609.10579v1math.HO

A machine-checked proof of the Dong-Yang classification of optimal (n,4) binary codes for BSCs

We present a machine-checked Lean~4 formalization of Dong and Yang's classification of optimal finite-length $(n,4)$ binary block codes for binary symmetric channels. The formalization was developed mainly by feeding the paper's proofs to an AI tool. To establish correctness, the authors verified the main theorem statements in Lean and the accepted axioms. This note discusses the corrections and simplifications made to the AI-generated formalization, and records discrepancies found in the paper during the formalization. The Lean code is available at https://github.com/shhyang/n4code_lean.

arXiv:2510.09902v3math.HO

구별할 수 있다면 표현할 수 있다: 갈루아 이론, 스톤-바이어슈트라스, 머신러닝, 언어학

If you can distinguish, you can express: Galois theory, Stone--Weierstrass, machine learning, and linguistics

본 소고는 갈루아 이론의 기본정리(Fundamental Theorem of Galois Theory)와 스톤-바이어슈트라스 정리(Stone--Weierstrass theorem) 간의 유사성을 전개한다. 두 정리 모두 대상 군의 구별 능력(distinguishing power)을 그들의 표현 능력(expressive power)과 연결하는 주장으로 볼 수 있다. 저자들은 "구별 능력"에 관한 관련 개념들을 연결하는 기본 정리를 제시한다. 또한 이러한 정리들, 그리고 더 일반적으로 구별 능력과 표현 능력 간의 연계라는 주제가 나타나는 머신러닝 및 데이터 과학 분야의 맥락을 논의한다. 마지막으로, 이 주제가 기초 원리로 등장하는 언어학의 맥락에서도 이를 논의하고 몇 가지 예를 통해 설명한다.

arXiv:2608.23218v1cs.AI

수학은 지금 무엇인가, 그리고 무엇이 되어야 하는가?

What is mathematics now, and what should it be?

신경 정리증명기(neural theorem provers)의 발전은 인상적이지만, 그 성과들은 AI가 수학에 무엇을 할 수 있는지, 그리고 수학자들이 AI와 어떻게 협력할 수 있는지에 대한 더 넓은 비전을 가려 버린다. 본 에세이는 더 확장적이고 낙관적인 관점을 제시한다.

arXiv:2608.16118v1cs.AI

LLM의 수학적 능력 평가를 위해서는 수학적 창의성의 다양한 메커니즘을 이해해야 한다

Assessing LLMs' mathematical abilities requires understanding the various mechanisms of mathematical creativity

대규모 언어 모델(LLM)이 수학적 발명을 수행할 수 있는지 어떻게 평가해야 할까? 이 질문은 현재 아직 충분히 규정되지 않았다고 주장한다. 수학적 창의성은 하나의 능력이 아니라, 의미 생성(meaning-making)의 여러 메커니즘적으로 구분되는 양식—수학적 실천에 대한 반성적 내성, 과학에서의 유추적 도입, 문제 주도적 구성, 멀리 떨어진 영역을 잇는 다리 놓기—과 더불어, 관찰된 패턴 때문에 추구되는 의미와 전략적으로 원하기 때문에 추구되는 의미 사이의 가로지르는(additional cross-cutting) 구분, 후자는 추측 형성(conjecture-formation) 사례를 통해 전개한다. 이러한 메커니즘은 대체 가능하지 않을 가능성이 커서, 한 가지에서의 역량이 다른 것으로 이전되지 않는다. 각각을 역사적 사례 연구와 현재 트랜스포머 기반 시스템에 대한 아키텍처 수준 설명에 근거하여, 오늘날 모델은 기존 구성 요소에 대한 재조합과 탐색으로 형성된 양식에 역량을 집중한다고 제안한다. 그 설명이 맞다면, 남은 양식들은 단지 더 느린 것이 아니라 원칙적으로 도달 불가능하다—다만 그 설명이 맞는지는 그 자체가 열린 실증적 부분이다. AI가 증명 생성을 더 잘하게 되면서 증명이 더 저렴해지고 있는데—이 전환은 분야의 선도적 목소리들이 지금 진단하고 있는 변화—수학적 가치는 현재 시스템이 아직 수행하지 못하는 양식 쪽으로 이동하고 있으며, AI 수학 능력 평가는 이를 혼동하는 총괄 벤치마크가 아니라 이 분류체계를 중심으로 조직되어야 한다.

arXiv:2509.02758v3math.HO

역량 개발을 위한 기하 문제 세트 최적화를 위한 온톨로지 기반 접근법

An Ontology-Based Approach to Optimizing Geometry Problem Sets for Skill Development

유클리드 기하학은 역사적으로 수학 교육에서 논리적 추론과 추상적 사고를 함양하는 데 중추적인 역할을 해왔지만, 최근 교육과정에서는 그 비중이 줄어든 상태이다. 인공지능과 교육 기술의 발전이 이끈 관심의 부활은 기하학이 필수적인 인지 능력을 개발할 수 있는 잠재력을 부각시켰고, 자동화된 문제 해결 및 증명 검증에 대한 새로운 접근법을 자극했다. 본 논문은 1990년대에 최초로 개발된, 기하 문제 세트의 주석 및 최적화를 위한 온톨로지 기반 프레임워크를 제시한다. 이 온톨로지는 기하 문제, 해결 방법, 관련 기술을 상호 연결된 사실(facts), 객체(objects), 방법(methods)으로 체계적으로 분류하여, 학생 능력의 세분화된 추적을 지원하고 교육과정 설계를 촉진한다. 핵심 개념인 '해결 그래프(solution graphs)': 여러 해결 경로와 기술 의존성을 인코딩하는 방향 비순환 그래프(DAG)는 문제 선정을 교수 목표에 맞게 정렬하는 데 기여한다. 이 프레임워크는 30년에 걸쳐 수천 개의 문제에 대한 주석 작업을 통해 실제로 검증되었다. 우리는 본 접근법이 동적이고 절차적으로 복잡한 수학적 지식을 표현하는 데 있어 오랫동안 남아온 과제들을 해결한다고 주장한다. 마지막으로 연구 의제를 제시하며 마무리한다: 자동화된 문제 주석 및 해결 검증이라는 미해결 과제들을 해결하면 교사가 학생 과제를 검증하는 데 드는 시간을 줄이고, 자기주도 학습자를 위한 상호작용적 피드백을 가능하게 할 것이다.

arXiv:2607.09721v1math.HO

AI를 위한 라마누잔 챌린지

The Ramanujan Challenge For AI

현재 AI 시스템의 수학적 역량을 평가하기 위해, 우리는 기본적인 수학 상수들에 대한 공식 집합을 제시한다. 이 문제들은 구체적이며 임의의 정밀도(precision)로 수치적 검증이 가능하면서도 증명에는 자명하지 않은 수학이 요구될 수 있어 AI 평가에 적합하다. $π$, $e$, 카탈란 상수, 리만 제타 함수의 특수값과 같은 수학 상수들은 수세기 동안 수학자들을 매료시켜 왔다. 수학 상수를 평가하는 공식의 탐구는 특히 무리수 증명이나 빠른 수렴(convergence)률을 산출하는 경우에, 해당 분야에서 가장 아름다운 수학을 낳아왔다. 라마누잔의 유산은 이러한 전통을 상징적으로 보여준다. 우리가 제공하는 목록은 두 가지 유형의 문제를 포함한다: 저자들에게 증명이 알려져 있으나 초기 단기간 동안 암호화된 상태로 남겨질 공식들, 그리고 아직 증명되지 않은 공식들. 우리는 두 경우 모두에서 AI의 성과를 확인하고자 한다.

arXiv:2606.25363v1cs.IR

TheoremGraph: Bridging Formal and Informal Mathematics

Mathematical knowledge is organized around statements and their dependencies, but this structure is exposed unevenly: informal papers cite mostly at the document level, while formal libraries record fine-grained dependencies over a much smaller body of mathematics. We introduce TheoremGraph, a unified statement-level dependency graph spanning both informal and formal mathematics. On the informal side, we parse 11.7M theorem-like environments from mathematics arXiv and recover 18.3M candidate directed dependencies, each labeled by the extractor that proposed it so downstream users can trade coverage for precision. On the formal side, we release LeanGraph, a Lean 4 elaborator-level extractor producing 388,105 declaration nodes and 11.3M typed edges across 25 Lean projects. We bridge the two graphs by embedding generated natural-language slogans into a shared semantic space, linking related statements across papers and across the informal/formal divide; an LLM judge affirms 47,952 such matches above a 0.8 cosine floor, with the judge-acceptance rate rising from 48% across the floor to 87% in the >=0.9 tier. On formal concept retrieval, our name-and-signature representation with graph expansion comes within 0.5pp of LeanSearch v2's reranked Recall@10 (0.775 vs. 0.780) without an LM reranker. We release the dataset, extractors, HTTP API, and MCP interface as infrastructure for mathematical search, attribution, and retrieval-augmented reasoning, available at theoremsearch.com and huggingface.co/datasets/uw-math-ai/theorem-matching.

arXiv:2606.21972v1cs.AI

Project Euler에서의 인간 대 기계 수학적 난이도: 실험 분석

Human vs Machine Mathematical Difficulty on Project Euler: An Experimental Analysis

계산 수학 문제 온라인 플랫폼인 Project Euler의 문제에서, 인간 난이도에 따라 최첨단 AI 시스템의 노력과 성공 확률이 어떻게 스케일링되는지 연구한다. MathArena 벤치마크의 데이터셋은 50개 문제와 26개 모델 구성에 걸친 3840회 시도로 구성되며, 문제 난이도는 해당 사이트의 공개 인간 풀이 시간으로 측정한다. Timothy Gowers의 제안에 영감을 받아, 성공한 답변당 생성 토큰 비용과 인간 시간 사이의 멱법칙 관계 $t_{\text{machine}} = a \cdot t_{\text{human}}^b$를 검증하고, 사용 가능한 적합을 갖는 25개 모델 중 20개(가장 강력한 기본 모델 포함)에서 $b < 1$을 발견한다. 따라서 이 조작화는 기계가 난이도에 따라 인간보다 더 나쁘게 스케일링된다는 이전 예측을 뒷받침하지 않는다. 또한 검증된 문제에서의 성공 확률이 단순 지수 감쇠 $p_{\text{success}} = e^{c t_{\text{human}}}$로 모델링될 수 있는지, 즉 $\log p_{\text{success}}$와 $t_{\text{human}}$ 사이의 선형 관계를 예측하는지 조사한다. 데이터 집계를 위해 구간화(binning) 접근법을 사용한 결과, 이 모델에 대한 중간 수준의 실증적 뒷받침(22개 최고 커버리지 구성에서 bin 수준 중앙값 $R^2 = 0.92$)을 확인한다. METR를 따라 로지스틱 성공 곡선도 적합하고 50\% 작업 길이 수평선 $h_{50}$을 추출한다. 2026년 4월 20일 스냅샷에서 가장 강력한 구성은 가장 빠른 다섯 명 인간 기준선에서 대략 $2.5$--$4.3$시간에 도달하며, 최첨단(state-of-the-art) 프론티어를 통과하는 log-linear 적합은 SOTA $h_{50}$에 대해 약 75일의 기술적 배가 시간을 제공한다.