"대규모 언어 모델(LLM)은 경쟁 프로그래밍과 수학 분야에서 뛰어난 성능을 보이지만, 절대적인 정확성에 대한 엄격한 요구 사항 때문에 실제 수학적 발견에는 제한적인 성공을 거두었습니다. 이전의 AI 생성 수학 증명은 종종 인간의 개입 없이는 검증 가능한 정확성이 부족했습니다. 이에 대응하여 연구자들은 LLM을 사용하여 코드를 반복적으로 발전시키고 새로운 수학적 구조를 발견하는 시스템인 AlphaEvolve를 개발했습니다. 이 접근 방식은 MAX-4-CUT 문제에 대한 근사 불가능성 경계를 개선하고 무작위 그래프 속성에 대한 평균 사례 경도에 대한 경계를 좁힘으로써 복잡성 이론의 발전을 이끌었습니다. 이 방법은 발전된 유한 구조가 기존 증명 프레임워크에 통합되어 보편적인 정리를 도출하는 "리프팅"을 활용합니다. 특히 AlphaEvolve는 MAX-4-CUT에 대한 복잡한 장치를 발견하여 0.987의 새로운 근사 한계를 설정했습니다. 이 시스템은 또한 큰 컷을 가진 극단적인 라마누잔 그래프를 발견하여 평균 사례 경도에 대한 하한을 크게 개선했습니다. 이 연구의 핵심 측면은 발견된 구조의 검증 가능한 정확성으로, 검증 속도를 10,000배 향상시켜 달성되었습니다. AI가 귀중한 협력자임이 입증되고 있지만, 검증 프로세스는 향후 AI 지원 수학적 발견에 있어 중요한 병목 현상으로 남아 있습니다."