FGeo-DRL：通过深度强化学习进行几何问题的演绎推理
人工智能
2024-02-16 v2
摘要
类人自动演绎推理一直是数学与人工智能交叉领域中最具挑战性的开放问题之一。本文是我们系列工作的第三篇文章。我们构建了一个名为FGeoDRL的神经符号系统，用于自动执行类人几何演绎推理。其神经部分是一个基于强化学习的AI智能体，能够从形式化环境的反馈中自主学习解题方法，无需人类监督。它利用预训练的自然语言模型建立定理选择的策略网络，并采用蒙特卡洛树搜索进行启发式探索。符号部分是一个基于几何形式化理论和FormalGeo的强化学习环境，它将几何问题求解建模为马尔可夫决策过程。在这个形式符号系统中，问题的已知条件和目标构成状态空间，而定理集合构成动作空间。利用FGeoDRL，我们实现了可读且可验证的几何问题自动化求解。在formalgeo7k数据集上进行的实验取得了86.40%的问题求解成功率。该项目可在https://github.com/PersonNoName/FGeoDRL获取。
引用
@article{arxiv.2402.09051,
title = {FGeo-DRL: Deductive Reasoning for Geometric Problems through Deep Reinforcement Learning},
author = {Jia Zou and Xiaokai Zhang and Yiming He and Na Zhu and Tuo Leng},
journal= {arXiv preprint arXiv:2402.09051},
year = {2024}
}
备注
15 pages