هوش مصنوعی جدید Google DeepMind با عملکرد مدال طلا در المپیک های ریاضی مطابقت دارد

پس از شکستن یک ریاضیات حل نشدنی مشکل سال گذشته، هوش مصنوعی برای مقابله با هندسه بازگشته است.

الگوریتم جدیدی به نام AlphaGeometry که توسط Google DeepMind ابداع شده است، می‌تواند مشکلات المپیادهای بین‌المللی ریاضی گذشته - یک رقابت سطح بالا برای دانش‌آموزان دبیرستانی - را از بین ببرد و با عملکرد برندگان مدال طلای قبلی مطابقت داشته باشد.

هنگامی که هوش مصنوعی با 30 مسئله هندسی دشوار به چالش کشیده شد، 25 مسئله را در مدت زمان تعیین شده استاندارد با موفقیت حل کرد و با 15 پاسخ از الگوریتم های پیشرفته قبلی پیشی گرفت.

در حالی که اغلب به عنوان آفت کلاس ریاضی دبیرستان در نظر گرفته می شود، هندسه در زندگی روزمره ما گنجانده شده است. هنر، نجوم، طراحی داخلی و معماری همگی بر هندسه تکیه دارند. بنابراین ناوبری، نقشه ها و برنامه ریزی مسیر را انجام دهید. در هسته خود، هندسه راهی برای توصیف فضا، اشکال و فواصل با استفاده از استدلال منطقی است.

به نوعی، حل مسائل هندسه کمی شبیه به بازی شطرنج است. با توجه به برخی قوانین - که قضایا و برهان نامیده می شوند - تعداد محدودی راه حل برای هر مرحله وجود دارد، اما یافتن اینکه کدام یک منطقی است، متکی بر استدلال انعطاف پذیر منطبق با قوانین دقیق ریاضی است.

به عبارت دیگر، مقابله با هندسه هم به خلاقیت و هم به ساختار نیاز دارد. در حالی که انسان‌ها این مهارت‌های آکروباتیک ذهنی را با سال‌ها تمرین توسعه می‌دهند، هوش مصنوعی همیشه با مشکل مواجه بوده است.

AlphaGeometry هوشمندانه هر دو ویژگی را در یک سیستم واحد ترکیب می کند. این دو جزء اصلی دارد: یک مدل منطقی مبتنی بر قانون که سعی در یافتن پاسخ دارد، و یک مدل زبان بزرگ برای تولید ایده‌های خارج از چارچوب. اگر هوش مصنوعی نتواند راه حلی مبتنی بر استدلال منطقی به تنهایی پیدا کند، مدل زبان برای ارائه زوایای جدید وارد عمل می شود. نتیجه یک هوش مصنوعی با مهارت های خلاقیت و استدلال است که می تواند راه حل آن را توضیح دهد.

این سیستم آخرین تلاش DeepMind برای حل مسائل ریاضی با هوش ماشینی است. اما چشم آنها به یک جایزه بزرگتر است. AlphaGeometry برای استدلال منطقی در محیط های پیچیده-مانند دنیای پر هرج و مرج روزمره ما ساخته شده است. فراتر از ریاضیات، تکرارهای آینده به طور بالقوه می تواند به دانشمندان کمک کند تا راه حل هایی را در سیستم های پیچیده دیگر پیدا کنند، مانند رمزگشایی اتصالات مغزی یا باز کردن شبکه های ژنتیکی که منجر به بیماری می شود.

دکتر تریو ترینه، نویسنده این مطالعه، "ما در حال انجام یک جهش بزرگ، یک پیشرفت بزرگ از نظر نتیجه هستیم." گفته شده la نیویورک تایمز.

تیم دوتایی

یک سوال هندسه سریع: مثلثی را با طول هر دو ضلع مساوی تصور کنید. چگونه ثابت می کنید که دو زاویه پایین دقیقاً مشابه هستند؟

این یکی از اولین چالش هایی است که AlphaGeometry با آن مواجه شد. برای حل آن، باید قواعد هندسه را به طور کامل درک کنید، اما همچنین خلاقیت کافی برای رسیدن به پاسخ را داشته باشید.

این تیم "اثبات قضایا تسلط بر استدلال منطقی را نشان می دهد ... که نشان دهنده یک مهارت قابل توجه در حل مسئله است." در تحقیق منتشر شده امروز در طبیعت.

اینجا جایی است که معماری AlphaGeometry برتر است. دوبله شده یک سیستم عصبی نمادین، ابتدا یک مشکل را با موتور کسر نمادین خود حل می کند. این الگوریتم‌ها را به‌عنوان دانش‌آموزی تصور کنید که به‌شدت کتاب‌های ریاضی را مطالعه می‌کند و از قوانین پیروی می‌کند. آنها توسط منطق هدایت می شوند و می توانند به راحتی هر مرحله را که منجر به یک راه حل می شود، ترسیم کنند - مانند توضیح یک خط استدلال در یک آزمون ریاضی.

این سیستم‌ها قدیمی هستند، اما فوق‌العاده قدرتمند هستند، زیرا مشکل «جعبه سیاه» که بسیاری از الگوریتم‌های یادگیری عمیق مدرن را آزار می‌دهد، ندارند.

یادگیری عمیق دنیای ما را تغییر داده است. اما به دلیل نحوه عملکرد این الگوریتم ها، اغلب نمی توانند خروجی خود را توضیح دهند. وقتی صحبت از ریاضیات می‌شود، که بر استدلال منطقی دقیق و قابل نوشتن تکیه می‌کند، این کار انجام نمی‌شود.

موتورهای کسر نمادین با مشکل جعبه سیاه مقابله می کنند زیرا منطقی و قابل توضیح هستند. اما در مواجهه با مشکلات پیچیده، کند هستند و برای سازگاری انعطاف پذیر تلاش می کنند.

در اینجاست که مدل‌های زبان بزرگ وارد می‌شوند. نیروی محرکه ChatGPT، این الگوریتم‌ها در یافتن الگوها در داده‌های پیچیده و تولید راه‌حل‌های جدید، اگر داده‌های آموزشی کافی وجود داشته باشد، عالی هستند. اما آنها اغلب توانایی توضیح دادن خود را ندارند و لازم است نتایج آنها را دوباره بررسی کنند.

AlphaGeometry بهترین های هر دو جهان را ترکیب می کند.

هنگامی که با یک مشکل هندسی روبرو می شوید، موتور کسر نمادین ابتدا آن را به کار می گیرد. مسئله مثلث را در نظر بگیرید. الگوریتم فرضیه سوال را "درک" می کند، به این ترتیب که باید ثابت کند دو زاویه پایینی یکسان هستند. سپس مدل زبان پیشنهاد می‌کند که یک خط جدید از بالای مثلث مستقیم به پایین بکشید تا به حل مشکل کمک کند. هر عنصر جدیدی که هوش مصنوعی را به سمت راه حل سوق می دهد "ساخت" نامیده می شود.

موتور کسر نمادین توصیه ها را می گیرد و منطق پشت استدلال خود را یادداشت می کند. اگر ساختار کار نکند، دو سیستم چندین دور بررسی را طی می کنند تا زمانی که AlphaGeometry به راه حل برسد.

کل تنظیمات "شبیه به ایده "فکر کردن، سریع و آهسته" است. نوشت تیم در وبلاگ DeepMind. «یک سیستم ایده‌های سریع و «شهودی» را ارائه می‌کند و دیگری تصمیم‌گیری عمدی‌تر و منطقی‌تر را ارائه می‌کند.»

ما قهرمان هستیم

برخلاف فایل‌های متنی یا صوتی، تعداد کمی از نمونه‌های متمرکز بر هندسه وجود دارد که آموزش هندسه آلفا را دشوار می‌کند.

به عنوان یک راه حل، این تیم مجموعه داده های خود را شامل 100 میلیون نمونه مصنوعی از اشکال هندسی تصادفی و روابط نگاشت شده بین نقاط و خطوط ایجاد کرد - مشابه نحوه حل هندسه در کلاس ریاضی، اما در مقیاس بسیار بزرگتر.

از آنجا، هوش مصنوعی قواعد هندسه را درک کرد و یاد گرفت که از راه حل به عقب کار کند تا بفهمد که آیا نیاز به افزودن ساختاری دارد یا خیر. این چرخه به هوش مصنوعی این امکان را می‌دهد که بدون هیچ گونه دخالت انسانی از ابتدا یاد بگیرد.

با آزمایش هوش مصنوعی، تیم با 30 مشکل المپیاد از بیش از یک دهه مسابقات قبلی، آن را به چالش کشید. نتایج به دست آمده توسط یک دارنده مدال طلای المپیاد قبلی، ایوان چن، ارزیابی شد تا از کیفیت آنها اطمینان حاصل شود.

در مجموع، هوش مصنوعی با عملکرد برندگان مدال طلای گذشته مطابقت داشت و 25 مشکل را در محدوده زمانی تکمیل کرد. را نتیجه پیشرفته قبلی 10 پاسخ صحیح بود.

چن: "خروجی AlphaGeometry چشمگیر است زیرا هم قابل تایید و هم تمیز است." گفت:. از قوانین هندسه کلاسیک با زاویه ها و مثلث های مشابه درست مانند دانش آموزان استفاده می کند.

فراتر از ریاضی

AlphaGeometry آخرین تلاش DeepMind در ریاضیات است. در 2021، هوش مصنوعی آنها پازل های ریاضی را شکست که برای چندین دهه انسان ها را سرگردان کرده بود. اخیرا، آنها استفاده کردند مدل های زبان بزرگ برای استدلال مشکلات STEM در سطح کالج و ترک خورده یک مسئله ریاضی که قبلاً "حل نشدنی" بر اساس یک بازی ورق با الگوریتم است FunSearch.

در حال حاضر، AlphaGeometry بر اساس هندسه و با احتیاط طراحی شده است. بیشتر هندسه بصری است، اما سیستم نمی‌تواند نقشه‌ها را ببیند، که می‌تواند حل مسئله را تسریع کند. افزودن تصاویر، شاید با هوش مصنوعی جمینی گوگلکه اواخر سال گذشته راه اندازی شد، ممکن است هوشمندی هندسی آن را تقویت کند.

یک استراتژی مشابه همچنین می‌تواند دامنه AlphaGeometry را به طیف وسیعی از حوزه‌های علمی که نیازمند استدلال دقیق همراه با خلاقیت هستند، گسترش دهد. (بیایید واقعی باشیم - همه آنها هستند.)

این تیم نوشت: «با توجه به پتانسیل گسترده‌تر آموزش سیستم‌های هوش مصنوعی از ابتدا با داده‌های مصنوعی در مقیاس بزرگ، این رویکرد می‌تواند نحوه کشف دانش جدید را در سیستم‌های هوش مصنوعی در آینده، در ریاضیات و فراتر از آن، شکل دهد.

تصویر های اعتباری: جوئل فیلیپه / می Unsplash 

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://singularityhub.com/2024/01/17/google-deepminds-new-ai-matches-gold-medal-performance-in-math-olympics/