Kunstmatige intelligentie kan al uitstekend wiskundige stellingen bewijzen. Maar hoe bedenk je als AI zelf een nieuw vermoeden dat de moeite waard is? Dat bleek tot nu toe een veel lastiger puzzel. Onderzoekers Hita Kambhamettu, Daniel Krashen en Lyle Ungar hebben er nu een oplossing voor gevonden: de Theorem Evolution Graph (TEG).
Het probleem? Er bestaan nauwelijks criteria om te bepalen of een vermoeden waardevol genoeg is om na te jagen. Dat maakt het genereren van nieuwe conjecturen een onderbelichte uitdaging in AI-onderzoek, aldus de publicatie op arxiv.org.
🧠 Even simpel uitgelegd
Wiskunde bouwt als een lego-toren: nieuwe stellingen rijzen op uit oudere. Een vermoeden is een stelling waarvan wiskundigen vermoeden dat hij klopt, maar die nog niemand heeft kunnen bewijzen. De TEG is eigenlijk een stamboom van stellingen: de AI legt vast welke stelling op welke voortbouwt. Zo ziet de AI waar de 'toren' nog kan uitgroeien — en stelt daar zelf nieuwe vragen bij.
Hoe werkt de Theorem Evolution Graph?
Het idee is simpel: wiskundige stellingen ontstaan zelden uit het niets. Nieuwe theorema's zijn vaak aangepaste versies van oudere — met gewijzigde hypothesen, sterkere conclusies of een breder toepassingsgebied. De TEG legt die evolutie vast in een graaf, die volgens de documentatie op opentrain.ai fungeert als online zoekmethode voor LLM-agenten.
Het bouwen van zo'n graaf verloopt in twee fasen:
- Identificatie: de AI-agent zoekt relevante stellingen uit wetenschappelijke artikelen. Dat doet hij door citaties vooruit én achteruit te volgen, vertrekkend vanuit een centrale 'seed paper'.
- Vergelijking: de agent legt precies vast hoe de ene stelling voortbouwt op de andere.
Gedurfd wint van veilig
Werkt het? Ja — en op een verrassende manier. De onderzoekers lieten de TEG-conjecturen strijden tegen vermoedens van een AI zonder graaf. Zowel LLM-rechters als een menselijke expert-wiskundige kozen consequent voor de TEG-resultaten. De AI-rechters prezen die vooral om hun significantie, ambitie en inzicht.
Opvallend detail: de baseline-conjecturen werden vaker als 'plausibel' beoordeeld. De TEG-methode levert dus niet de veiligste ideeën op, maar juist gedurfdere — en potentieel baanbrekende — vermoedens.
Van antwoorden naar vragen
Ablatiestudies wijzen uit dat het bouwen en gebruiken van een TEG ook waarde toevoegt wanneer de set beschikbare artikelen al vaststaat. De structurele analyse van hoe theorieën evolueren blijkt dus op zichzelf al een motor voor creativiteit.
Het onderzoek, op 14 november 2026 ingediend bij arXiv, markeert een verschuiving: AI groeit van een instrument dat antwoorden vindt (bewijzen) naar een instrument dat zelf relevante vragen stelt (vermoedens formuleert). De benchmark-evidentie is nog beperkt, maar de methodiek biedt een nieuw kader voor autonome AI-agenten in de theoretische wiskunde. Naast de arXiv-hoofdpagina is het werk ook terug te vinden in technische repositories, waaronder versies op github.io.