继上个月发布Journal of Machine Learning（JML）“深度学习理论”专刊征稿之后，本期我们聚焦人工智能基础研究的另一个重要维度——数学形式化与自动推理。

如果说深度学习理论探索的是机器学习的内在机理与算法边界，那么“AI for Mathematics（AI4Math）”则追问一个更为根基性的问题：人工智能能否真正理解数学结构，并参与严格的逻辑证明？从非形式化的数学直觉到形式化的定理验证，从神经网络的函数拟合到符号系统的逻辑推演，这一交叉领域正在重新定义人工智能的能力疆域。

为此，JML隆重推出“AI for Mathematics（AI4Math）”专题特刊，现面向全球学者公开征稿。

一、专刊定位

本特刊旨在展示人工智能、形式化数学与自动推理交叉领域的最新进展，探索现代机器学习技术如何辅助、加速并严格验证数学发现。与侧重广泛适用性或即时工程落地的研究不同，本特刊尤为重视技术扎实性、数学严谨性与科学洞察力，致力于为非形式化数学直觉与形式化严格验证之间的桥梁建设提供基础性发展全景。

本特刊诚邀能够系统揭示现代人工智能系统如何处理、生成并形式化验证数学知识的原创研究，特别关注严谨的数学表述、分析技术与扎实的实证研究。

二、征稿方向

投稿主题包括但不限于以下四个方向：

1. 形式化与自动证明（Formalization and Automated Proving）

非形式化数学文本到可验证规范的自动转换技术（自动形式化，Autoformalization）；在交互式定理证明器（如 Lean、Coq、Isabelle）中的AI引导证明搜索。

2. 数学智能体与神经符号推理（Mathematical Agents and Neuro-Symbolic Reasoning）

具备自主纠错能力、支持多步数学推理的智能体设计；深度神经网络与符号逻辑求解器的深度融合。

3. 基础设施、工具链与评估体系（Infrastructure, Tooling, and Evaluation）

新型框架与元编程架构（如Lean 4）；通用中间表示与语义对齐机制；人工智能数学推理能力的严格基准测试与数据集构建。

4. AI辅助数学发现（AI-Assisted Mathematical Discovery）

利用生成模型与机器学习揭示新的数学模式；自动提出边界估计、识别反例等探索性研究。

三、客座编辑

董彬、梁经纬、刘方辉、罗涛、文再文、袁坤

四、关键时间节点

发表模式：接收后即在线发表。

集中推广：2027年7月将在2027年中国科学机器学习大会（China Conference on Scientific Machine Learning）、CSIAM通讯及SIAM Newsletters等渠道进行重点宣传。

五、投稿要求

投稿入口：https://ef.msp.org/submit_new.php?j=jmlearn

作者指南：https://www.global-sci.com/jml/guide-for-authors

审稿流程：所有稿件将严格按照 Journal of Machine Learning的编辑标准进行同行评审。

投稿须知：请在投稿信（Cover Letter）中明确注明：“This manuscript is submitted to the Special Issue on 'AI for Mathematics (AI4Math)'”。

从深度学习理论的算法根基，到AI4Math的形式化推理前沿，Journal of Machine Learning持续为人工智能的基础研究提供高水平学术交流平台。我们期待相关领域的研究者踊跃投稿，共同推动人工智能与数学的深度交叉与范式创新。

六、期刊介绍

《Journal of Machine Learning》（JML）由鄂维南院士与鲁剑锋教授联合主编，由中国工业与应用数学学会、北京大学国际机器学习研究中心、北京科学智能研究院联合主办，聚焦机器学习及其交叉前沿，已被美国数学学会MathSciNet收录。

期刊主页：https://www.global-sci.com/jml/。

学会出版委员会供稿