Os investigadores da DeepMind revelaram o "FunSearch", um novo método que utiliza modelos de linguagem de grande dimensão (LLM) para descobrir novas soluções matemáticas e informáticas.
O artigo, publicado em Naturezadescreve o FunSearch, que combina um LLM pré-treinado encarregado de soluções inventivas baseadas em código e um avaliador automatizado que atenua as imprecisões no processo de resolução de problemas.
Começa por utilizar o LLM para gerar soluções criativas sob a forma de código informático. Em seguida, o sistema automatizado verifica essas soluções para garantir que estão correctas e são úteis. Este processo repete-se, refinando as soluções em cada ciclo, transformando as ideias iniciais em conhecimento novo e verificado.
Em termos simples, o FunSearch é como uma sessão de brainstorming entre um pensador muito criativo (o LLM) e um rigoroso verificador de factos, que trabalham em conjunto para encontrar respostas inovadoras para problemas complexos.
Este processo iterativo permite que as ideias iniciais evoluam para novos conhecimentos comprovados.
Nas experiências actuais do DeepMind, o FunSearch forneceu com sucesso novos conhecimentos sobre problemas matemáticos importantes, incluindo o problema do conjunto de tampas e o problema do empacotamento de caixas.
Resolver o problema do conjunto de limites
Um dos principais êxitos do FunSearch é o seu desempenho no problema do conjunto de tampas, um desafio complexo no âmbito da teoria matemática.
Aqui está um olhar mais profundo sobre este problema:
- O problema do conjunto de pontos máximo baseia-se num espaço de elevada dimensão, em que o objetivo é encontrar o maior conjunto possível de pontos (um conjunto máximo) em que nenhum dos três pontos se alinhe numa linha reta.
- O desafio resulta do crescimento exponencial das combinações possíveis à medida que a dimensionalidade do espaço aumenta, tornando ineficazes as abordagens computacionais tradicionais.
- A inovação do FunSearch reside no facto de gerar programas que identificaram conjuntos de tampas maiores do que os anteriormente conhecidos, demonstrando uma capacidade sem precedentes de ultrapassar o conhecimento matemático orientado para o ser humano.
Um problema mais prático abordado pelo FunSearch é o problema de empacotamento de contentores, que procura estratégias óptimas para empacotar itens de tamanho variado em contentores, um desafio relevante tanto em cenários físicos, como a organização de contentores de transporte, como em ciência computacional, como a organização de tarefas computacionais para eficiência.
Os métodos tradicionais envolvem normalmente a embalagem de objectos no primeiro espaço disponível ou no espaço com menos espaço restante.
No entanto, a FunSearch introduziu abordagens eficazes que evitam estrategicamente deixar pequenas lacunas por preencher.
Potenciais utilizações do FunSearch
Jordan Ellenberg, professor de matemática na Universidade de Wisconsin-Madison e coautor do artigo, sublinhou as implicações do FunSearch para o futuro da interação homem-máquina na informática e na matemática.
"O que considero realmente excitante, mais ainda do que os resultados específicos que encontrámos, são as perspectivas que sugere para o futuro da interação homem-máquina em matemática", disse Ellenberg.
Em vez de gerar uma solução, o FunSearch gera um programa que encontra a solução. Uma solução para um problema específico pode não me dar nenhuma ideia de como resolver outros problemas relacionados."
"Mas um programa que encontra a solução é algo que um ser humano pode ler e interpretar e, esperemos, gerar ideias para o próximo problema e para o próximo e para o próximo".
Eis mais pormenores sobre a forma como o FunSearch abre novos caminhos na aprendizagem automática:
- Resolução criativa de problemas com geração de código: Ao contrário de muitos sistemas de IA que se centram na análise de dados ou no reconhecimento de padrões, o FunSearch especializa-se na geração de soluções criativas em código informático. Isto permite-lhe resolver problemas que não se limitam à interpretação de dados, mas também à criação de novas formas de resolver questões complexas.
- Refinamento iterativo: O FunSearch utiliza um processo iterativo de melhoria contínua das soluções. Começa com uma ideia inicial gerada pelo LLM, sendo depois aperfeiçoada através de uma série de avaliações e melhorias. Este processo imita a forma como os seres humanos resolvem frequentemente os problemas - começando com uma ideia aproximada e melhorando-a ao longo do tempo.
- Criatividade e rigor: O FunSearch faz a ponte entre a resolução criativa de problemas e a avaliação rigorosa. O LLM traz criatividade e inovação, gerando soluções novas e inexploradas, enquanto o avaliador automático garante que essas soluções são exactas e viáveis. Esta dupla abordagem é crucial nos domínios científicos em que a inovação deve ser associada à precisão.
- Transparência: Um dos aspectos únicos do FunSearch é a sua capacidade de fornecer resultados transparentes e interpretáveis. Em vez de oferecer uma resposta final, ele gera um programa que detalha como essa solução foi alcançada. Essa transparência é vital para a pesquisa científica, onde a compreensão do processo é tão importante quanto o resultado.
O diretor de IA para a ciência na DeepMind, Pushmeet Kohli, explicou como o FunSearch abre uma nova forma de investigação de aprendizagem automática: "Isto vai ser de facto transformador na forma como as pessoas abordam as ciências informáticas e a descoberta de algoritmos. Pela primeira vez, não estamos a ver os LLM a assumir o controlo, mas sim a ajudar a alargar os limites do que é possível em termos de algoritmos".
Ao combinar as capacidades criativas dos LLM com uma avaliação rigorosa, o FunSearch ilustra uma nova abordagem para resolver problemas abertos complexos. As suas utilizações práticas serão fascinantes.
