DeepMind de Google resolve problemas matemáticos con intelixencia artificial

Os avances recentes nos grandes modelos de linguaxe (LLM) fixeron que a IA sexa máis adaptable, pero isto ten unha desvantaxe: os erros.

A IA xerativa adoita inventar cousas, pero Google DeepMind presentou un novo LLM que se adhire ás verdades matemáticas.

FunSearch da empresa pode resolver problemas matemáticos moi complexos.

Milagrosamente, as solucións que xera non só son precisas; son solucións completamente novas que ningún ser humano atopou nunca.

Tempo estimado de lectura: 4 minutos

FunSearch chámase así porque busca funcións matemáticas, non porque sexa divertido. Non obstante, algunhas persoas poden considerar que o problema do conxunto de tapas é un boom: os matemáticos nin sequera poden poñerse de acordo sobre a mellor forma de resolvelo, polo que é un verdadeiro misterio numérico. Deepmind xa fixo avances en intelixencia artificial cos seus modelos Alpha como AlphaFold (plegamento de proteínas), AlphaStar (StarCraft) e AlphaGo (xogando a Go). Estes sistemas non estaban baseados en LLM, pero revelaron novos conceptos matemáticos.

Con FunSearch, Deepmind comezou cun modo de idioma grande, unha versión do PaLM 2 de Google chamada Codey. Hai un segundo nivel de LLM no traballo, que analiza a saída de Codey e elimina a información incorrecta. O equipo detrás deste traballo non sabía se este enfoque funcionaría e aínda non está seguro de por que, segundo o investigador Deepmind Alhussein Fawzi.

Para comezar, os enxeñeiros de Deepmind crearon unha representación en Python do problema do conxunto de tapas, pero deixaron fóra as liñas que describen a solución. O traballo de Codey era engadir liñas que resolvían o problema con precisión. Despois, a capa de comprobación de erros puntua as solucións de Codey para ver se son precisas. En matemáticas de alto nivel, as ecuacións poden ter máis dunha solución, pero non todas se consideran igual de boas. Co paso do tempo, o algoritmo identifica as mellores solucións de Codey e insírelas de novo no modelo.

DeepMind permite que FunSearch funcione durante varios días, o tempo suficiente para xerar millóns de solucións posibles. Isto permitiu a FunSearch refinar o código e producir mellores resultados. Segundo unha investigación recentemente publicada, L 'intelixencia artificial atopou unha solución descoñecida pero correcta para o problema do conxunto de tapas. Deepmind tamén liberou a FunSearch noutro problema matemático difícil chamado problema de empaquetado de contedores, un algoritmo que describe a forma máis eficiente de empaquetar recipientes. FunSearch atopou unha solución máis rápido que as calculadas polos humanos.

Os matemáticos aínda están loitando por integrar a tecnoloxía LLM no seu traballo e no traballo de Deepmind mostra un posible camiño a seguir. O equipo cre que este enfoque ten potencial porque xera código informático e non a solución. Isto adoita ser máis fácil de entender e verificar que os resultados matemáticos brutos.

Lecturas relacionadas

• Xa non só sorte: o fútbol de fantasía convértese nun modelo de análise. Fantalgoritmo naceu, cando o mundo do fútbol de fantasía se atopa coas matemáticas
• Gato, DeepMind e a carreira cara á intelixencia artificial xeral
• Que é a analítica preditiva e por que é importante nos negocios
• EDIFICIOS COMERCIAIS SOSTIBLE: COA XESTIÓN ENERXÉTICA E A INTELIXENCIA ARTIFICIAL PÓDESE REDUCIR UN 30% O CONSUMO ENERXÉTICO GLOBAL E UN 37% AS EMISIÓNS DE CO2
• Innovación e relación co cliente - experiencia e intelixencia lóxico-dedutiva

BlogInnovazione.it