NASA Pi Day挑战：用恒星的数学问题庆祝数学奇迹

NASAPiDay挑战：用恒星的数学问题庆祝数学奇迹要找到圆周率，又称希腊字母π，你只需将任何圆的周长除以其直径。这是一个对美国宇航局研究地球、火星和其他地方的任务不可或缺的比率。今年的Pi日是美国宇航局喷气推进实验室的教育办公室通过该机构的挑战活动来庆祝这个奇妙的有用数字的第10年。学生们可以通过测试他们的数学能力来解决NASA科学家和工程师所面临的实际问题。为了纪念数学常数圆周率--以及它在太空探索中的许多用途--美国宇航局年度圆周率挑战赛提供了四个涉及美国宇航局真实任务和科学的数学问题。利用圆周率来解决这四道问题，学生可以：计算美国宇航局"毅力"号漫游车收集的火星岩芯的体积，因为它收集的样品将在地球上进行研究。通过比较哈勃太空望远镜和詹姆斯-韦伯太空望远镜的主镜面积，了解它们的宇宙传输能力。对Psyche--美国宇航局的同名任务将访问的富含金属的小行星--的密度进行估算，并猜测它是由什么构成的；以及确定太阳圆盘有多少部分会被月球遮挡，以及今年10月会发生日全食还是日环食。所有四个挑战问题的答案将于3月15日公布。NASAPiDay挑战赛还为教育工作者、K-12学生和家长提供了其他与Pi有关的资源，包括课程和教学时刻、文章、可下载的海报和插图网络/移动背景。还提供了以前挑战中的30多个谜题。Pi是一个数学常数，代表圆的周长与直径的比率。它是一个非重复和非终止的数字，已经被计算到数万亿位，但通常被近似为3.14。Pi被用于许多领域，包括数学、物理学、工程学和统计学，在日常生活中也有许多应用，如建筑设计、航海中的距离计算以及圆和球体的测量。...PC版：https://www.cnbeta.com.tw/articles/soft/1349241.htm手机版：https://m.cnbeta.com.tw/view/1349241.htm

Google DeepMind 用大模型解决尚未解决的数学问题

GoogleDeepMind用大模型解决尚未解决的数学问题GoogleDeepMind的研究人员在《》期刊上发表论文，报告他们首次用大模型（LLM）发现了一个尚未解决的数学问题的解。GoogleDeepMind的新工具被称为“”，研究人员将一组产生创造性解决方案的LLM和一个作为检查者以避免错误建议的评估程序结合起来。接着将一个多次迭代此过程的演化方法，作为输入来引导LLM。结果表明，这种方法可以得到新的、可验证的正确结果。他们将“FunSearch”应用到了著名的上限集问题（数学中涉及计数和排列领域的一个中心问题），发现了超越最著名上限集的大上限集新构造。研究人员表示，“FunSearch”的成功关键是它会寻找那些描述怎样解决问题的程序，而非直接寻找解决办法。因为“FunSearch”的结果易于被解释和验证，这意味着这一方法有望激发科学家在该领域的进一步思考。来源，频道：@kejiqu群组：@kejiquchat

Google搜索和Lens新增更多功能 解决数学和科学问题

Google搜索和Lens新增更多功能解决数学和科学问题"无论你是在钻研数学教科书，还是通过搜索来获取复杂物理问题的更多信息，有时都很难准确描述你要找的东西。以复杂的生物学概念或棘手的几何问题为例。借助搜索和Lens的新功能，您现在可以将STEM相关的概念可视化，并通过更自然、更直观的方式浏览这些概念，找出要使用的等式。"Google搜索的最新更新让用户可以输入方程或积分来获取问题的解决方案。他们还可以用Lens拍照扫描方程式，从而逐步获得答案。此外，如果是几何问题，用户还可以使用Lens分享手头的问题，而无需键入。该功能目前只在台式机上提供，移动版本也将很快推出。Google新增的另一个实用工具是问题求解。现在，只要输入一个文字问题，Google就能通过其语言模型的进步分享解决方案。文字问题的题目将从高中物理的基础题目开始。最后，Google还在搜索中添加了三维互动图表，以及近1000个生物、化学、物理、天文和相关主题的定义和概述。该公司称，这些三维模型有助于直观地理解复杂的概念，例如，用户可以查看线粒体的三维模型，了解线粒体的内膜或褶皱。最近，Google还宣布在其地图应用程序中加入更多功能，包括人工智能功能，以提供更准确的搜索结果。此外，Google还利用人工智能更新限速和电动汽车充电站等信息。...PC版：https://www.cnbeta.com.tw/articles/soft/1393247.htm手机版：https://m.cnbeta.com.tw/view/1393247.htm

MAmmoTH：专门为解决通用数学问题而定制的开源大语言模型。

MAmmoTH：专门为解决通用数学问题而定制的开源大语言模型。MAmmoTH模型结合了CoT和PoT两种思维方式，使其能够更全面地解决各种数学问题（从基础算术到高等数学）。在九个数学推理数据集上显著超越了现有的开源模型，平均准确率提高了13%到29%。MAmmoTH在一个精心策划的指导调优数据集MathInstruct上进行训练，MathInstruct从13个带有中间理由的数学数据集中编译而来，其中六个是由作者新策划的。MAmmoTH基于LLaMa2和CodeLlama训练的数学领域的开源LLM，有7B、13B、34B、70B四个版本。MAmmoTH的工作原理是通过混合指导调优方法，结合两种不同的思维方式，训练模型来解决各种数学问题。这种方法确保了模型在各种数学领域都有很好的表现，并且在实际应用中也取得了显著的性能提升。