本文展示神经网络在数学方面的应用，如符号积分和求解微分方程。提出了一套数学问题表示法和生成大规模数据集进行序列到序列模型训练的方法，并获得了超越 Matlab 或 Mathematica 等商业计算机代数系统的结果。
Dec, 2019
深度学习模型在推理积分时具有潜在的潜力，可以通过类似于语言翻译的序列到序列模型或者揭示积分的基本原理来逼近积分推断任务。
Feb, 2024
该研究论文讨论了在机器学习领域中，将 Risch 算法用于符号积分的研究，以创建一个基本可积表达式数据集，并展示了这种方式生成的数据消除了早期方法存在的一些缺陷。
Jun, 2023
使用强化学习和深度神经网络自动化发现基本转换规则和逐步解决方案，解决线性方程的符号形式的范例问题。
Jan, 2024
计算机代数系统在研究、教育和工业领域中得到了广泛应用。本研究通过使用机器学习来引导子算法的选择，并通过训练 TreeLSTM 模型表明其在数学表达式表示方面的优势，能够产生比传统方法更好的输出结果，为进一步研究提供了坚实的基础。
Apr, 2024
研究使用基于 Lambda Calculus 的神经网络模型作为程序的执行方法。
Apr, 2023
提出了改善知识注入过程、将机器学习和逻辑融入多智能体系统的解决方案。
Aug, 2023
符号计算算法及其在计算机代数系统中的实现通常包含不影响输出正确性但可能显著影响资源需求的选择，这些选择可以通过机器学习模型针对每个问题单独完成，本研究报告了在符号计算中使用机器学习的经验教训，特别强调在机器学习之前分析数据集的重要性以及可能使用的不同机器学习范例，通过一个特定案例研究 —— 圆柱代数分解的变量排序选择来呈现结果，并预期所得经验教训适用于符号计算中的其他决策，我们利用一个现有的从应用中获取的示例数据集发现对于变量排序决策存在一定的不平衡，我们引入了一个多项式系统问题的增广技术，使得数据集平衡并进一步扩增，从而分别平均提高了机器学习结果 28% 和 38%，随后展示了如何将用于问题的现有机器学习方法 —— 分类方法重新转换为回归范例，虽然这对性能没有根本改变，但扩大了方法可以应用于的范围。
本文回顾了近年来关于深度学习在数学领域的研究，认为当前即使是最先进的深度学习模型在面对简单的数学和算术任务时也表现出较大局限性。
Mar, 2023
本文综述了神经符号计算作为一种将机器学习和推理集成在一起的原则方法，并通过笔者的主要特点，如神经学习与符号知识表达和推理的原理集成，证明了其作为一个可解释的 AI 系统的构建方法的有效性。神经符号计算为我们提供了关于越来越显著的可解释性和负责任的 AI 系统的重要见解。
May, 2019