是的，已经完成了！

但是，这些应用程序不会取代计算器或类似的东西。我所在的实验室开发了等式推理的神经网络模型，以更好地了解人类如何解决这些问题。这是数学认知领域的一部分。不幸的是，我们的网站信息量不是很大，但这里有一个此类工作示例的链接。

除此之外，最近关于扩展神经网络以包括外部存储器存储（例如神经图灵机）的工作被用来解决数学问题，作为一个很好的概念证明。这是因为许多算术问题涉及存储中间结果的长过程。请参阅本文中有关长二进制加法和乘法的部分。

并不真地。

当存在隐藏变量时，神经网络有利于确定输入之间的非线性关系。在上面的示例中，关系是线性的，并且没有隐藏变量。但即使它们是非线性的，传统的人工神经网络设计也不太适合实现这一目标。

通过仔细构建层并严格监督训练，您可以让网络始终如一地产生输出 4.01，例如，对于输入：2、1 (+) 和 2，但这不仅是错误的，而且本质上是不可靠的技术的应用。

1. 有可能的！事实上，它是流行的深度学习框架 Keras 的一个例子。查看此链接以查看源代码。

2. 这个特定示例使用循环神经网络 (RNN) 将问题处理为字符序列，生成形成答案的字符序列。请注意，这种方法显然不同于人类倾向于考虑解决简单加法问题的方式，并且可能不是您希望计算机解决此类问题的方式。大多数情况下，这是使用 Keras 进行序列到序列学习的示例。在处理顺序或时间序列输入时，RNN 是一种流行的选择。

是的 - 现在似乎可以从您给出的示例中获得更多，本文描述了一个针对一个相当困难的问题的深度学习解决方案 -为用自然语言描述的程序生成源代码。

这两者都可以描述为回归问题（即目标是最小化验证集上的一些损失函数），但自然语言情况下的搜索空间要大得多。