Investigadores de DeepMind han presentado "FunSearch", un novedoso método que aprovecha los modelos de grandes lenguajes (LLM) para descubrir nuevas soluciones matemáticas e informáticas.
El artículo, publicado en Naturaleza, describe FunSearch, que combina un LLM preentrenado al que se encargan soluciones inventivas basadas en códigos y un evaluador automatizado que mitiga las imprecisiones en el proceso de resolución de problemas.
Comienza utilizando el LLM para generar soluciones creativas en forma de código informático. A continuación, el sistema automatizado comprueba estas soluciones para asegurarse de que son correctas y útiles. Este proceso se repite, perfeccionando las soluciones en cada ciclo y convirtiendo las ideas iniciales en nuevos conocimientos verificados.
En pocas palabras, FunSearch es como una sesión de brainstorming entre un pensador muy creativo (el LLM) y un estricto verificador de hechos, que trabajan juntos para encontrar respuestas innovadoras a problemas complejos.
Este proceso iterativo permite que las ideas iniciales evolucionen hasta convertirse en nuevos conocimientos verificados.
En los experimentos actuales de DeepMind, FunSearch ha aportado nuevas perspectivas a problemas matemáticos clave, como el problema del conjunto de tapones y el problema del empaquetado de cubos.
Afrontar el problema de los límites máximos
Uno de los principales éxitos de FunSearch es su rendimiento en el problema del conjunto tope, un reto complejo dentro de la teoría matemática.
He aquí un análisis más profundo de este problema:
- El problema del conjunto tope se basa en un espacio de altas dimensiones, en el que el objetivo es encontrar el mayor conjunto posible de puntos (un conjunto tope) en el que no haya tres puntos alineados en línea recta.
- El reto se deriva del crecimiento exponencial de las combinaciones posibles a medida que aumenta la dimensionalidad del espacio, lo que hace ineficaces los planteamientos computacionales tradicionales.
- El gran avance de FunSearch radica en la generación de programas que identificaron conjuntos de tapas mayores que los conocidos hasta ahora, lo que demuestra una capacidad sin precedentes para superar los conocimientos matemáticos de origen humano.
Un problema más práctico abordado por FunSearch es el de los contenedores de basura, que busca estrategias óptimas para empaquetar artículos de distintos tamaños en contenedores, un reto relevante tanto en escenarios físicos, como la organización de contenedores de transporte, como en la ciencia computacional, como la organización de tareas computacionales para lograr la eficiencia.
Los métodos tradicionales suelen consistir en empaquetar los objetos en el primer espacio disponible o en el que menos espacio quede.
Sin embargo, FunSearch introdujo enfoques eficaces que evitan estratégicamente dejar pequeños huecos sin rellenar.
Usos potenciales de FunSearch
Jordan Ellenberg, catedrático de Matemáticas de la Universidad de Wisconsin-Madison y coautor del artículo, destacó las implicaciones de FunSearch para el futuro de la interacción persona-máquina en informática y matemáticas.
"Lo que me parece realmente emocionante, incluso más que los resultados concretos que hemos encontrado, son las perspectivas que sugiere para el futuro de la interacción hombre-máquina en matemáticas", afirma Ellenberg.
En lugar de generar una solución, FunSearch genera un programa que la encuentra. Una solución a un problema concreto puede no darme ninguna idea de cómo resolver otros problemas relacionados."
"Pero un programa que encuentra la solución, eso es algo que un ser humano puede leer e interpretar y, con suerte, generar así ideas para el siguiente problema y el siguiente y el siguiente".
Aquí tienes más detalles sobre cómo FunSearch abre nuevos caminos en el aprendizaje automático:
- Resolución creativa de problemas con generación de código: A diferencia de muchos sistemas de IA centrados en el análisis de datos o el reconocimiento de patrones, FunSearch se especializa en generar soluciones creativas en código informático. Esto le permite abordar problemas que no solo consisten en interpretar datos, sino también en crear nuevas formas de resolver cuestiones complejas.
- Perfeccionamiento iterativo: FunSearch emplea un proceso iterativo de mejora continua de las soluciones. Comienza con una idea inicial generada por el LLM, que luego se refina mediante una serie de evaluaciones y mejoras. Este proceso imita la forma en que los humanos solemos resolver los problemas: empezando con una idea aproximada y mejorándola con el tiempo.
- Creatividad y rigor: FunSearch tiende un puente entre la resolución creativa de problemas y la evaluación rigurosa. El LLM aporta creatividad e innovación, generando soluciones nuevas e inexploradas, mientras que el evaluador automatizado garantiza que estas soluciones sean precisas y viables. Este doble enfoque es crucial en campos científicos en los que la innovación debe ir unida a la precisión.
- Transparencia: Uno de los aspectos exclusivos de FunSearch es su capacidad para ofrecer resultados transparentes e interpretables. En lugar de ofrecer una respuesta final, genera un programa que detalla cómo se ha llegado a esa solución. Esta transparencia es vital para la investigación científica, donde comprender el proceso es tan importante como el resultado.
Pushmeet Kohli, responsable de Inteligencia Artificial para la ciencia en DeepMind, explicó cómo FunSearch abre una nueva forma de investigación en aprendizaje automático: "Esto va a transformar la forma de abordar la informática y el descubrimiento algorítmico. Por primera vez, estamos viendo que los LLM no toman el relevo, sino que definitivamente ayudan a ampliar los límites de lo que es posible en algoritmos."
Al combinar la capacidad creativa de los LLM con una evaluación rigurosa, FunSearch ilustra un enfoque novedoso para abordar problemas abiertos complejos. Sus usos prácticos serán fascinantes.
