该项目利用监督式机器学习在大型数学数据集中寻找预测关系，再利用 attribution 方法揭示哪些变量驱动模型预测。数学家随后解释这些信号，将其重新表述为数学命题、寻找反例并给出传统数学论证。Nature 论文以双曲纽结和 Kazhdan-Lusztig 多项式为两个案例展示这一流程，并公开了相应 notebook 与数据。
DeepMind 与数学家的合作工作报告称，机器学习模型帮助在两个纯数学研究方向中识别此前未被注意的结构。在纽结理论中，ML 引导的特征分析参与发现了纽结 signature 与双曲 cusp geometry 之间的关系，随后数学家在配套论文中给出了证明；在表示论中，合作团队得到一个基于 Bruhat graph 的对称群 Kazhdan-Lusztig 多项式新公式，并据此提出通向组合不变性猜想的研究路线。
其历史意义主要在研究工作流而非自主定理证明：AI 作为模式发现工具进入真实纯数学研究过程，而数学家仍负责问题选择、解释、猜想形成和证明。这种人机协作发现模式预示了后来明确面向研究级数学发现的 AI 系统。
重要性说明：该工作被建议列为 Historical Milestone，因为它较早且高影响力地展示了现代机器学习能够对前沿纯数学研究作出实质性智力贡献，而不仅是解决基准题或自动执行形式证明搜索。在两个不同领域中，学习模型揭示的关系引导数学家得到研究级新成果：双曲纽结理论中的定理级关系，以及 Kazhdan-Lusztig 组合不变性方向的新公式与猜想性解决路线。Nature 主论文还明确把这一流程提出为人机协作数学发现的一种范式。
Nature 研究论文与配套数学预印本公开记录了 ML 引导的发现流程，以及由此形成的纽结理论和表示论研究贡献。
Chronicle 本轮审核链接了 DeepMind 针对两个数学案例公开的 notebook 与数据，使计算发现产物可以直接检查。E3 表示 artifact 可检查，并不单独构成对全部数学解释或历史优先权主张的独立验证。
当前没有记录的更正。
