Deepmind saavuttaa virstanpylvään matemaattisten ongelmien ratkaisussa - seuraava suuri haaste AI: lle

Kun Google Deepmind voitti ihmiset kaikessa, Peli Siirry strategialautapeleihin ,
Nyt väittää olevansa matematiikan tehtävien ratkaisemisessa maailman parhaimpien opiskelijoiden lyönnissä.

"Se on tietysti erittäin tärkeä edistyminen", sanoo Cambridgestä peräisin oleva matemaatikko Joseph Myers, joka yhdessä kenttämitalisti Tim Gowersin kanssa tarkisti ratkaisut ja auttoi valitsemaan alkuperäiset ongelmat tänä vuonna.

DeepMind ja muut yritykset ovat kilpailussa lopulta todisteita koneista, välttämättömistä Ratkaise tutkimuskysymykset matematiikassa . IMO: n ongelmista, maailman johtavasta kilpailusta nuorten matemaatikkojen johtavasta kilpailusta, on tullut mittaputken edistymiselle tämän tavoitteen suuntaan, ja yrityksen mukaan niitä pidetään "suurena haasteena" koneoppimiseen.

"Tämä on ensimmäinen kerta, kun AI -järjestelmä pystyi saavuttamaan palvelut mitalitasolla", kertoi Deepmindin tieteen AI: n varapuheenjohtaja Pushmeet Kohli lehdistökonsultoinnissa. "Tämä on tärkeä virstanpylväs matkalla edistyneiden todisteiden rakentamiseen", Kohli sanoi.

Laajennus

Vain muutama kuukausi sitten, tammikuussa, DeepMind-järjestelmä Alfageometriapalvelut mitalitasolla Kun ratkaiset tyyppisiä IMO-ongelmia, nimittäin euklidean geometriassa. Ensimmäinen AI, joka toimii kultamitalilla algebran, yhdistelmän ja lukuteorian kokonaistestiä koskevissa kysymyksissä, joita pidetään yleensä vaativimpana kuin geometria-on oikeus saada 5 miljoonaa dollaria, AI Math Olympiad -palkinto (AIMO). (Hinnalla on tiukat kriteerit, kuten lähdekoodin paljastaminen ja rajoitetun laskentavoiman työ, mikä tarkoittaa, että DeepMindin nykyiset ponnistelut eivät saisi.)

Viimeisimmässä yrityksessä tutkijat käyttivät alfageometriaa2 geometrian ongelman ratkaisemiseksi alle 20 sekunnissa; AI on parannettu ja nopeampi versio levyjärjestelmästäsi, sanoo Deepmind -tietokoneen asiantuntija Thang Luong.

muun tyyppisille kysymyksille ryhmä kehitti täysin uuden järjestelmän nimeltä Alphaproof. Alphaproof ratkaisi kaksi algebra -ongelmaa kilpailussa ja yksi lukuteoriassa, jolle se kesti kolme päivää. (Varsinaisen IMO: n osallistujien kaksi istuntoa on 4,5 tuntia.) Se ei pystynyt ratkaisemaan kahta yhdistelmän ongelmaa, toinen matematiikan alue.

Tutkijat ovat saavuttaneet sekalaisia ​​tuloksia, kun he vastaavat matemaattisiin kysymyksiin äänimalleilla - sellaisen järjestelmän tyyppi, joka ajaa chatbotteja, kuten Chatt. Joskus mallit antavat oikean vastauksen, mutta eivät voi selittää niiden perusteluja rationaalisesti, ja joskus

Vasta viime viikolla ohjelmistoyritysten Numina ja Halggingface käyttivät äänimallia voittaakseen Amion väliaikaisen ”edistymishinnan”, joka perustuu IMO -ongelmien yksinkertaistettuihin versioihin. Yritykset tekivät koko järjestelmänsä avoimen lähdekoodin ja antoivat sen saataville muiden tutkijoiden lataamiseksi. Mutta voittajat sanoivat luonto , että yksin kielimallit eivät todennäköisesti riitä ratkaisemaan vaikeita ongelmia.

vain luokka

; Data-track = "napsauta" data-tarra = "https://www.nature.com/articles/d41586-022-03166-w data-track-category =" Body Text Link "> Erityiset matemaattiset ongelmat . Oppimisen lisääntyessä hermoverkko oppii kokeiden ja virheiden kautta. Tämä toimii hyvin, jos sen vastaukset voidaan arvioida objektiivisella asteikolla. Tätä tarkoitusta varten Alphaproof koulutettiin lukemaan ja kirjoittamaan todisteita muodollisella kielellä nimeltään Lean, jota käytetään saman nimen "todiste -avustaja" -ohjelmistopaketissa, joka on suosittu matemaatikkojen keskuudessa. Tätä varten Alphaproof testasi, ovatko hänen kulut oikein tekemällä niitä laihapaketissa, mikä auttoi täyttämään joitain koodin vaiheita.

Äänimallin koulutus vaatii valtavia määriä tietoja, mutta vain muutama matemaattinen näyttö oli saatavana Lean. Tämän ongelman ratkaisemiseksi ryhmä kehitti ylimääräisen verkon, joka yritti kääntää nykyisen miljoonan ongelman nauhoituksen, joka on kirjoitettu luonnollisella kielellä, mutta kääntämättä Lean -kirjoitettuja ratkaisuja, sanoo Deepmind -koneopiskelijan tutkija Thomas Hubert, joka suoritti alfaproofin kehityksen. "Voimme oppia todistamaan lähestymistapamme, vaikka emme olisikaan alun perin koulutettu ihmisen kirjoitettuihin todisteisiin?" (Yhtiö oli samanlainen kuin Go, missä hänen AI oppi pelaamaan peliä pelaamalla itseään vastaan, sen sijaan, että ihmiset tekevät.)

Maaginen avain

Monilla laihoilla käännöksillä ei ollut mitään järkeä, mutta tarpeeksi olivat riittävän hyviä tuodakseen alfaprofia siihen pisteeseen, jossa se voisi aloittaa kasvavat oppimisjaksot. Tulokset olivat odotettua paljon parempia, sanottuna lehdistökonsultoinnissa. "Monilla IMO: n ongelmilla on tämä maagisen avaimen ominaisuus. Ongelma näyttää ensin vaikealta, kunnes löydät maagisen avaimen, joka avaa sen", sanoi Gowers, joka työskentelee Pariisin Collège de Francessa.

Joissakin tapauksissa alphaproof näytti pystyvän ottamaan tämän luovuuden lisävaiheet antamalla sille oikean askel äärettömän suuresta mahdollisesta ratkaisusta. Mutta lisäanalyysejä tarvitaan sen määrittämiseksi, ovatko vastaukset vähemmän yllättäviä kuin ne näyttivät, lisäsivät. Samanlainen keskustelu syntyi yllättävän 'Zug 37' , Deepminds Alphago-Bot hänen Kuuluisa voitto vuonna 2016 maailman parhaasta ihmisen GO-pelaajasta -KI: n käännekohta.

On vielä nähtävissä, voidaanko tekniikoita parantaa toimimaan matematiikan tutkimuksen tasolla, sanoi Myers lehdistökatsauksessa. "Voiko se laajentua muun tyyppisiin matematiikkaan, joissa miljoonia ongelmia ei voida kouluttaa?"

"Olemme saavuttaneet sen pisteen, jossa et voi vain todistaa avoimia tutkimusongelmia, vaan myös ongelmia, jotka ovat erittäin haastavia maailman parhaimmille nuorille matemaatikoille", sanoi Deepmind-tietokoneen asiantuntija David Silver, joka oli johtava tutkija Alphagon kehityksessä vuoden 2010 puolivälissä.