هوش مصنوعی دیپ مایند گوگل مسئله ریاضی قدیمی را رمزگشایی می‌کند

هوش مصنوعی دیپ مایند (DeepMind) گوگل با استفاده از روشی به نام فان‌سرچ (FunSearch/مخفف Searching The Function Space) موفق به حل یک مسئله ریاضی قدیمی شد! این مسئله ریاضی که به مسئله “Cap Set” شهرت دارد، یکی از پیچیده‌ترین مسائل “ریاضیات محض” است که حتی باهوش‌ترین ریاضی‌دانان تاریخ را نیز گمراه کرده است. این نخستین باری است که یک مسئله ریاضی پیچیده توسط یک مدل زبان بزرگ (LLM) حل می‌شود. این کشف موفقیت‌آمیز در مجله معتبر نیچر (Nature) منتشر شده است.

ترکیب یک LLM از پیش آموزش‌دیده شده با یک ارزیاب

مدل‌های زبانی بزرگ (LLM) مانند چت جی‌پی‌تی 4 (GPT-4) تاکنون قابلیت‌های چشمگیری را در حل مسائل پیچیده‌ای که مستلزم استدلال‌های اندک و پیش‌بینی روند متن برای دریافت اطلاعات بیشتر و حل مسئله هستند، از خود نشان داده‌اند. این مدل‌های زبانی با پردازش حجم وسیعی از داده‌ها، در حوزه‌های مختلف، توانایی ارائه پاسخ‌های صحیح به سوالات عمیق را دارند.

الحسین فوزی و برنادینو رومرا پاردز (نویسندگان مقاله و پژوهشگران گوگل دیپ‌مایند) در مقاله خود اظهار داشتند:

بنا به اطلاعات ما، این نخستین باری است که یک مدل زبانی بزرگ توانسته است یک مسئله ریاضی مشهور و بسیار پیچیده را با موفقیت حل کند. فان‌سرچ، ترکیبی از یک مدل زبانی بزرگ (از پیش آموزش‌دیده شده) و یک “ارزیاب خودکار” است و در این مطالعه توانسته است “دانش” و “الگوریتم‌های ریاضی” جدیدی را کشف کند.

با این حال، مدل‌های زبانی بزرگ در برخی از مواقع پاسخ‌های قابل‌قبولی را تولید می‌کنند که اساساً غلط هستند. در این شرایط گفته می‌شود که LLM دچار توهم شده است. از آنجایی که “قابلیت اطمینان و صحت نتایج” در مطالعات و حل مسائل پیچیده از اهمیت بسیار بالایی برخوردار است، بروز این دسته از توهمات می‌تواند مانع به‌کارگیری از LLM در اکتشافات علمی شود.

هدف اصلی فان‌سرچ، پیشی گرفتن از قابلیت‌های روش‌های مبتنی بر LLM فعلی است. محققان هوش مصنوعی دیپ مایند قصد دارند با جلوگیری از بروز توهمات، ایده‌های نادرست و مفاهیم اشتباه در فان‌سرچ، به این مدل زبانی بزرگ و ارزیاب خودکار آن کمک کنند تا راه‌حل‌های نوآورانه‌ای را در قالب کدهای کامپیوتری ارائه دهد.

جلوگیری از توهم با استفاده از ارزیاب خودکار

کلمه “فان” در نام “فان‌سرچ” از مخفف کلمه “Functions” به معنا توابع نشات می‌گیرد و هسته اصلی این روش، بر مبنای جستجوی آن برای “توابع” رمزگذاری شده در زبان‌های برنامه‌نویسی کامپیوتری است.

در حالت کلی می‌توان گفت که روش فان‌سرچ بر اساس یک تبادل تکراری مداوم میان LLM و ارزیاب خودکار صورت می‌پذیرد. در طی این فرآیند، داده‌ها و راه‌حل‌های اولیه به اطلاعات (دانش) جدید تبدیل می‌شوند و در نتیجه نوآوری را با خود به همراه می‌آورند.

به گفته فوزی و پاردز، روش فان‌سرچ الگوریتم‌های بهبودیافته‌تری را برای حل مسئله بسته‌بندی کلاسیک (Bin packing/ مسئله‌ای که در آن مجموعه‌ای از اشیاء با وزن‌های مختلف، باید در کمترین تعداد ممکن از بسته‌ها با وزنی از پیش تعیین شده، قرار داده شوند) کشف کرده است. به گفته محققان، این الگوریتم‌های جدید قادرند نقش موثری را در بهبود کارآمدی مراکز داده ایفاء کنند.

منبع: Interestingengineering