Iteris: Agentic Research Loops for Computational Mathematics
作者: Leheng Chen, Zihao Liu, Wanyi He, Bin Dong
分类: cs.AI, cs.LG
发布日期: 2026-06-01
备注: 43 pages
💡 一句话要点
Iteris：面向计算数学的Agentic研究环路系统
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: Agentic AI 计算数学 开放问题 数值实验 算法设计 数学证明 自动化研究
📋 核心要点
- 计算数学开放问题需要证明、数值实验、对抗构造和算法设计，现有方法难以有效解决。
- Iteris 是一种Agentic研究系统，旨在通过自动化探索、实验和验证来解决计算数学中的开放问题。
- Iteris 在两个开放问题上生成了数值证据、构造和证明草案，经专家验证后得到了可信的结果。
📝 摘要（中文）
大型语言模型和Agentic AI系统的最新进展推动了数学发现的显著进步，从解决竞赛问题到处理研究级别的猜想。然而，计算数学中的开放问题受到的关注相对较少：该领域的研究通常不仅需要证明，还需要数值实验、对抗性构造和算法设计。本文介绍了一个Agentic研究系统Iteris，专为计算数学中的开放问题而设计。我们将Iteris应用于最近Simons Workshop文集（arXiv:2602.05394）中的两个开放问题。在这些案例研究中，Iteris生成了数值证据、构造和证明草案，经过专家审查和纠正后，得到了验证的结果。第一个结果是幂律谱上共轭梯度法和随机坐标下降法之间渐近比较的相图；第二个结果是一个反例，表明即使在低相干性下，带列主元的QR分解也可能无法选择良好条件子矩阵。这些案例研究表明，Agentic AI系统可以有意义地参与计算数学开放问题的研究工作流程，而人工验证仍然至关重要。
🔬 方法详解
问题定义：计算数学中的开放问题，例如算法的收敛性分析、反例构造等，往往需要大量的数值实验和复杂的逻辑推理。现有方法，如人工推导和验证，效率低下且容易出错。因此，如何自动化地进行数学探索和验证是一个重要的挑战。
核心思路：Iteris 的核心思路是利用 Agentic AI 系统的能力，构建一个自动化的研究环路。该环路能够自主地进行数值实验、生成假设、验证假设，并最终得到可信的数学结果。通过迭代式的探索和验证，Iteris 能够有效地解决计算数学中的开放问题。
技术框架：Iteris 的整体架构包含以下几个主要模块：1) 问题理解模块：负责理解输入的数学问题，并将其转化为 Agent 可以处理的形式。2) 实验设计模块：负责设计数值实验，以验证或证伪当前的假设。3) 结果分析模块：负责分析实验结果，并生成新的假设。4) 证明生成模块：负责根据实验结果和假设，生成数学证明的草案。5) 人工验证模块：负责对证明草案进行人工验证和修正。整个流程是一个迭代的过程，直到得到可信的数学结果。
关键创新：Iteris 的关键创新在于将 Agentic AI 系统的能力应用于计算数学的研究。与传统的数学软件不同，Iteris 能够自主地进行探索和验证，而不需要人工干预。此外，Iteris 还能够生成数学证明的草案，从而加速了数学研究的进程。
关键设计：Iteris 的关键设计包括：1) 使用大型语言模型作为 Agent 的核心，以提高其理解和生成能力。2) 设计了专门的实验设计模块，以确保实验的有效性和效率。3) 引入了人工验证模块，以确保结果的可靠性。4) 使用了特定的损失函数来训练 Agent，以提高其生成数学证明的能力。具体参数设置和网络结构细节未知。
🖼️ 关键图片
📊 实验亮点
Iteris 在两个开放问题上取得了显著成果。在幂律谱上共轭梯度法和随机坐标下降法之间渐近比较的相图问题上，Iteris 生成了数值证据，经专家验证后得到了相图。在带列主元的QR分解问题上，Iteris 构造了一个反例，表明即使在低相干性下，也可能无法选择良好条件子矩阵。具体性能数据未知，但案例研究表明 Iteris 能够有效辅助数学研究。
🎯 应用场景
Iteris 有潜力应用于各种计算数学领域，例如算法设计与分析、数值优化、科学计算等。它可以帮助研究人员更快地发现新的数学结果，并验证已有的猜想。此外，Iteris 还可以用于教育领域，帮助学生更好地理解数学概念和方法。未来，Iteris 有望成为计算数学研究的重要工具。
📄 摘要（原文）
Recent advances in large language models and agentic AI systems have enabled significant progress in mathematical discovery, from solving competition problems to tackling research-level conjectures. However, open problems in computational mathematics have received comparatively less attention: research in this area often requires not only proofs but also numerical experimentation, adversarial constructions, and algorithm design. In this paper, we introduce an agentic research system, Iteris, designed for open problems in computational mathematics. We apply Iteris to two open problems from a recent Simons Workshop collection (arXiv:2602.05394). In these case studies, Iteris generated numerical evidence, constructions, and proof drafts that led, after expert review and correction, to verified results. The first result is a phase diagram for the asymptotic comparison between conjugate gradient and randomized coordinate descent on power-law spectra; the second is a counterexample showing that QR factorization with column pivoting can fail to select well-conditioned submatrices even under low coherence. These case studies suggest that agentic AI systems can participate meaningfully in research workflows for open problems in computational mathematics, while human validation remains essential.