Discovering expert-level Nash equilibrium algorithms with large language models

核心要点

问题/背景

这篇 Nature Communications 论文把 LLM 用于算法发现而不是普通代码生成，目标是多玩家近似 Nash equilibrium 算法。

方法/机制

核心机制是 LegoNE：把候选算法和证明结构符号化编码，再用 LLM 在可验证空间中搜索，并自动认证 worst-case guarantee。

结果/证据

它值得收录，因为它提供了 AI for mathematics / algorithm discovery 的可复用范式：LLM 负责提出候选，符号证明和认证系统负责过滤，最终发现超过既有设计范式的算法。

收录价值

局限是当前任务集中在 Nash equilibrium 算法族，是否能迁移到更宽的算法发现和数学研究流程仍需要更多案例验证。