DeepMind-forskere har utviklet AlphaGeometry, et AI-system med en enestående evne til å løse geometrioppgaver på olympiadenivå.
Olympiadeoppgaver er komplekse matematiske problemer som vanligvis stilles i internasjonale matematikkonkurranser, for eksempel den internasjonale matematikkolympiaden (IMO).
Disse problemene krever en dyp forståelse av matematiske konsepter, kreative problemløsningsferdigheter og et strengt logisk resonnement, som dekker områder som algebra, kombinatorikk og geometri, som denne forskningen er rettet mot.
Den DeepMind studiepublisert i Nature, markerer en milepæl i AIs evne til å løse matematiske problemer.
Modellsystemet, kalt AlphaGeometry, løste 25 av 30 oppgaver fra den internasjonale matematikkolympiaden, en enorm forbedring i forhold til det forrige toppmoderne AI-systemet, som bare løste 10 oppgaver.
Det gjenspeiler nesten prestasjonene til menneskelige gullmedaljevinnere, som i gjennomsnitt løste 25,9 problemer - noe som er et ganske bemerkelsesverdig nikk til ferdighetene i menneskelige olympiader. Studieforfatter Trieu H. Trinh beskriver papiret nedenfor.
For å oppnå dette kombinerer AI-systemet en nevral språkmodell med en symbolsk deduksjonsmotor. Den nevrale modellen foreslår raskt potensielle konstruksjoner, og den symbolske motoren utleder løsninger på en stringent måte. Denne tosidige tilnærmingen gir en balanse mellom hastighet og nøyaktighet i problemløsningen.
En nøkkel til AlphaGeometrys suksess er genereringen av 100 millioner unike syntetiske treningseksempler. Denne tilnærmingen gjorde det mulig for den kunstige intelligensen å trene uten menneskelig input, og dermed overvinne en stor dataflaskehals.
Fields-medaljevinner og IMO-gullmedaljevinner Ngô Bảo Châu uttrykte sin forbløffelse over denne prestasjonen, i et blogginnlegg fra Google"Jeg synes det er helt logisk at forskere innen kunstig intelligens prøver seg på IMO-geometriproblemene først, fordi det å finne løsninger på dem fungerer litt som sjakk, i den forstand at vi har et ganske lite antall fornuftige trekk på hvert trinn. Men jeg synes likevel det er forbløffende at de fikk det til å fungere. Det er en imponerende prestasjon."
Evan Chen, en matematikktrener og tidligere gullmedaljevinner i Olympiaden, berømmet også AI-en: "AlphaGeometrys resultater er imponerende fordi de er både verifiserbare og rene ... Den bruker klassiske geometriske regler med vinkler og lignende trekanter akkurat slik elevene gjør."
Se Chens video om olympiaden nedenfor for å få en følelse av hvor vanvittig vanskelige disse problemene er.
AlphaGeometrys evne til å løse komplekse geometrioppgaver på olympiadenivå demonstrerer ikke bare AIs økende evne til å resonnere logisk, men åpner også for nye muligheter innen matematikk og AI-utvikling.
Den bidrar til flere banebrytende forskningsresultater fra DeepMind, blant annet GNoME, RT-2, AutoRT, FunSearch, AlphaMissense, og AlphaFoldfor å nevne noen fra nyere tid.
Mer om studien
Slik fungerer AlphaGeometry i fem destillerte trinn:
- Syntetisk generering av teoremerker: AlphaGeometry starter med å generere et stort sett med tilfeldige geometriske problemer. Dette gjøres ved å lage en rekke geometriske utsagn, for eksempel "punkt A ligger på linjestykket BC" eller "vinkel XYZ er 45 grader". Disse utsagnene danner premissene eller utgangspunktene for potensielle teoremer.
- Symbolsk deduksjon: Ved hjelp av disse premissene begynner AI-ens symbolske deduksjonsmotor å resonnere seg frem til konklusjoner. Den bruker geometriske regler og logikk for å utlede nye påstander fra de gitte premissene, og utforsker systematisk ulike kombinasjoner og relasjoner.
- Opprette hjelpekonstruksjoner: For å løse komplekse geometriske problemer må man ofte introdusere nye elementer (for eksempel flere punkter eller linjer) som ikke er en del av det opprinnelige oppsettet. Disse kalles hjelpekonstruksjoner. AlphaGeometrys motor er utviklet for å identifisere når og hvilke hjelpekonstruksjoner som er nødvendige for å komme videre mot en løsning.
- Trening av språkmodellen: En transformatorbasert språkmodell trenes opp på dataene som er generert i trinnene ovenfor. Denne modellen lærer seg å forstå mønstrene og logikken i geometriske resonnementer. Den blir bedre til å forutsi hvilke hjelpekonstruksjoner eller trinn som kan være nødvendige for å løse lignende problemer i fremtiden.
- Iterativ problemløsning: I det siste trinnet takler AlphaGeometry nye geometriproblemer ved å kombinere språkmodellens prediksjonskraft med den symbolske deduksjonsmotorens logiske stringens. Den kunstige intelligensen foreslår hjelpekonstruksjoner og sjekker om de fører til en løsning, og itererer denne prosessen til den finner et gyldig bevis eller har brukt opp alle alternativene.
DeepMinds appetitt på å løse forskningsproblemer innen maskinlæring har bare vokst, og dette illustrerer nok en gang AIs utviklingstempo. Men la oss ikke glemme at menneskelige matteolympiader fortsatt har et forsprang - akkurat.
