Googles DeepMind løser matematiske problemer med kunstig intelligens

Nylige fremskridt inden for store sprogmodeller (LLM'er) har gjort AI mere tilpasningsdygtig, men dette kommer med en ulempe: fejl.

Generativ AI har en tendens til at finde på tingene, men Google DeepMind er kommet med en ny LLM, der holder sig til matematiske sandheder.

Virksomhedens FunSearch kan løse meget komplekse matematikopgaver.

Mirakuløst nok er de løsninger, den genererer, ikke kun nøjagtige; de er helt nye løsninger, som intet menneske nogensinde har fundet.

Estimeret læsetid: 4 minutter

FunSearch kaldes det, fordi det søger efter matematiske funktioner, ikke fordi det er sjovt. Men nogle mennesker vil måske betragte cap-set-problemet som et tuderi: matematikere kan ikke engang blive enige om, hvordan det bedst løses, hvilket gør det til et rigtigt numerisk mysterium. DeepMind har allerede gjort fremskridt inden for kunstig intelligens med sine Alpha-modeller som AlphaFold (proteinfoldning), AlphaStar (StarCraft) og AlphaGo (spiller Go). Disse systemer var ikke baseret på LLM, men afslørede nye matematiske begreber.

Med FunSearch, DeepMind startede med en stor sprogtilstand, en version af Googles PaLM 2 kaldet Codey. Der er et andet LLM-niveau på arbejde, som analyserer Codeys output og eliminerer ukorrekte oplysninger. Holdet bag dette arbejde vidste ikke, om denne tilgang ville fungere, og er stadig ikke sikker på hvorfor, ifølge forskeren DeepMind Alhussein Fawzi.

Til at starte, ingeniørerne kl DeepMind de skabte en Python-repræsentation af cap-set-problemet, men udelod linjerne, der beskriver løsningen. Codeys opgave var at tilføje linjer, der præcist løste problemet. Fejlkontrollaget scorer derefter Codey-løsningerne for at se, om de er nøjagtige. I matematik på højt niveau kan ligninger have mere end én løsning, men ikke alle anses for lige gode. Over tid identificerer algoritmen de bedste Codey-løsninger og indsætter dem tilbage i modellen.

DeepMind lader FunSearch køre i flere dage, længe nok til at generere millioner af mulige løsninger. Dette gjorde det muligt for FunSearch at forfine koden og producere bedre resultater. Ifølge ny offentliggjort forskning, L 'kunstig intelligens fundet en hidtil ukendt, men korrekt løsning på hættesæt-problemet. DeepMind også befriet FunSearch på et andet vanskeligt matematisk problem kaldet containerpakningsproblemet, en algoritme, der beskriver den mest effektive måde at pakke containere på. FunSearch fandt en løsning hurtigere end dem, der blev beregnet af mennesker.

Matematikere kæmper stadig for at integrere LLM-teknologi i deres arbejde og arbejdet med DeepMind viser en mulig vej at følge. Teamet mener, at denne tilgang har potentiale, fordi den genererer computerkode snarere end løsningen. Dette er ofte lettere at forstå og verificere end rå matematiske resultater.

Relaterede læsninger

• Ikke længere kun held: Fantasy-fodbold bliver en analysemodel. Fantalgoritmo blev født, da fantasifodboldens verden møder matematik
• Gato, DeepMind og kapløbet mod generel kunstig intelligens
• Hvad er Predictive Analytics, og hvorfor det betyder noget i erhvervslivet
• BÆREDYGTIGE ERHVERVSBYGNINGER: MED ENERGILEDELSE OG KUNSTIG INTELLIGENS KAN GLOBALT ENERGIFORBRUG REDUCERES MED 30 % OG CO37-UDLEDNINGEN MED 2 %
• Innovation og kunderelationer - erfaring og logisk-deduktiv intelligens

BlogInnovazione.it