Нейросети научились определять алгебраические свойства групп по графам Кэли
Ученые разработали общий подход к анализу алгебраических свойств конечных групп с помощью графовых нейронных сетей (GNN). Новая работа обобщает предыдущие результаты, где GNN применялись только для предсказания разрешимости.
Метод использует графы Кэли — специальные графы, которые кодируют структуру группы. Вершинами в них служат элементы группы, а ребра задаются порождающими элементами. Оказалось, что такой граф содержит достаточно информации для изучения алгебраических свойств.
В качестве тестовых свойств авторы выбрали абелевость (коммутативность), нильпотентность (обобщение абелевости) и разрешимость. Для всех трех задач использовалась единая архитектура GNN и единый процесс обучения.
Эксперименты на наборе конечных групп из разных семейств показали, что нейросеть стабильно распознает каждое свойство и отличает группы с разными характеристиками. Это подтверждает, что графы Кэли несут существенную алгебраическую информацию.
Авторы подчеркивают, что работа служит доказательством концепции: графовые нейросети могут стать инструментом для изучения чистой математики. В перспективе фреймворк можно распространить на другие алгебраические структуры.
Исходное исследование доступно в виде препринта на arXiv. Код и данные для воспроизведения результатов не раскрываются.
