Google DeepMinds nya AI matchar guldmedaljprestanda i matte-OS

Återutgiven av Platon

anhängare: 0

$Google DeepMinds nya AI matchar guldmedaljprestanda i Math Olympics PlatoBlockchain Data Intelligence. Vertikal sökning. Ai.$

Efter knäcka en olöslig matematik problem förra året, AI är tillbaka för att ta itu med geometri.

Utvecklad av Google DeepMind, en ny algoritm, AlphaGeometry, kan krossa problem från tidigare internationella matematiska olympiader – en tävling på högsta nivå för gymnasieelever – och matchar tidigare guldmedaljörers prestationer.

När den utmanades med 30 svåra geometriproblem löste AI framgångsrikt 25 inom den tilldelade standardtiden, och slog tidigare toppmoderna algoritmer med 15 svar.

Även om geometri ofta betraktas som eländet med matematiklektioner på gymnasiet, är geometri inbäddad i vårt vardagliga liv. Konst, astronomi, inredningsdesign och arkitektur förlitar sig alla på geometri. Det gör även navigering, kartor och ruttplanering. I sin kärna är geometri ett sätt att beskriva rymd, former och avstånd med hjälp av logiska resonemang.

På ett sätt är att lösa geometriproblem lite som att spela schack. Med tanke på vissa regler – så kallade teorem och bevis – finns det ett begränsat antal lösningar för varje steg, men att hitta vilken som är vettig bygger på flexibla resonemang som överensstämmer med stränga matematiska regler.

Att tackla geometri kräver med andra ord både kreativitet och struktur. Medan människor utvecklar dessa mentala akrobatiska färdigheter genom år av praktik, har AI alltid kämpat.

AlphaGeometry kombinerar på ett smart sätt båda funktionerna i ett enda system. Den har två huvudkomponenter: en regelbunden logisk modell som försöker hitta ett svar, och en stor språkmodell för att generera out-of-the-box idéer. Om AI misslyckas med att hitta en lösning baserad på enbart logiska resonemang, slår språkmodellen in för att ge nya infallsvinklar. Resultatet är en AI med både kreativitet och resonemang som kan förklara dess lösning.

Systemet är DeepMinds senaste försök att lösa matematiska problem med maskinintelligens. Men deras ögon är riktade mot ett större pris. AlphaGeometry är byggd för logiska resonemang i komplexa miljöer – som vår kaotiska vardagliga värld. Utöver matematik kan framtida iterationer potentiellt hjälpa forskare att hitta lösningar i andra komplicerade system, som att dechiffrera hjärnanslutningar eller reda ut genetiska nät som leder till sjukdomar.

"Vi gör ett stort hopp, ett stort genombrott när det gäller resultatet," studieförfattaren Dr Trieu Trinh berättade d New York Times.

Double Team

En snabb geometrifråga: Föreställ dig en triangel med båda sidor lika långa. Hur bevisar du att de två nedre vinklarna är exakt likadana?

Detta är en av de första utmaningarna som AlphaGeometry ställdes inför. För att lösa det måste du till fullo förstå regler i geometri men också ha kreativitet att gå mot svaret.

"Att bevisa teorem visar behärskning av logiskt resonemang ... vilket betyder en anmärkningsvärd problemlösningsförmåga," teamet skrev i forskning publicerad idag i Natur.

Det är här AlphaGeometrys arkitektur utmärker sig. Dubbade ett neurosymboliskt system, tar den först upp ett problem med dess symboliska avdragsmotor. Föreställ dig dessa algoritmer som en elev i klass A som strikt studerar matematikläroböcker och följer regler. De styrs av logik och kan enkelt lägga ut varje steg som leder till en lösning – som att förklara ett resonemang i ett matteprov.

Dessa system är gamla men otroligt kraftfulla, eftersom de inte har problemet med "svarta lådan" som hemsöker mycket av moderna algoritmer för djupinlärning.

Deep learning har omformat vår värld. Men på grund av hur dessa algoritmer fungerar kan de ofta inte förklara sin produktion. Detta kommer bara inte att fungera när det gäller matematik, som bygger på strikta logiska resonemang som kan skrivas ner.

Symboliska avdragsmotorer motverkar black box-problemet genom att de är rationella och förklarliga. Men inför komplexa problem är de långsamma och kämpar för att flexibelt anpassa sig.

Det är här som stora språkmodeller kommer in. Drivkraften bakom ChatGPT, dessa algoritmer är utmärkta på att hitta mönster i komplicerad data och generera nya lösningar, om det finns tillräckligt med träningsdata. Men de saknar ofta förmågan att förklara sig själva, vilket gör det nödvändigt att dubbelkolla sina resultat.

AlphaGeometry kombinerar det bästa av två världar.

När man står inför ett geometriproblem, ger den symboliska avdragsmotorn det en chans först. Ta triangelproblemet. Algoritmen "förstår" frågans premiss, genom att den måste bevisa att de två nedersta vinklarna är desamma. Språkmodellen föreslår sedan att man drar en ny linje från toppen av triangeln rakt ner till botten för att hjälpa till att lösa problemet. Varje nytt element som flyttar AI mot lösningen kallas för en "konstruktion".

Den symboliska deduktionsmotorn tar till sig råden och skriver ner logiken bakom sina resonemang. Om konstruktionen inte fungerar går de två systemen igenom flera överläggningsrundor tills AlphaGeometry når lösningen.

Hela installationen är "liknande tanken på att "tänka, snabbt och långsamt" skrev teamet på DeepMinds blogg. "Det ena systemet ger snabba, "intuitiva" idéer, och det andra, mer medvetet, rationellt beslutsfattande."

Vi är vinnarna

Till skillnad från text- eller ljudfiler finns det en brist på exempel fokuserade på geometri, vilket gjorde det svårt att träna AlphaGeometry.

Som en lösning genererade teamet sin egen datauppsättning med 100 miljoner syntetiska exempel på slumpmässiga geometriska former och mappade relationer mellan punkter och linjer – liknande hur du löser geometri i matteklass, men i en mycket större skala.

Därifrån fattade AI:s geometriregler och lärde sig att arbeta baklänges från lösningen för att ta reda på om den behövde lägga till några konstruktioner. Denna cykel gjorde det möjligt för AI att lära sig från grunden utan någon mänsklig input.

Teamet satte AI på prov och utmanade den med 30 olympiadproblem från över ett decennium av tidigare tävlingar. De genererade resultaten utvärderades av en tidigare guldmedaljör i Olympiaden, Evan Chen, för att säkerställa deras kvalitet.

Sammanlagt matchade AI prestandan hos tidigare guldmedaljörer och slutförde 25 problem inom tidsgränsen. De tidigare toppmoderna resultat var 10 rätta svar.

"AlphaGeometrys resultat är imponerande eftersom det är både verifierbart och rent," Chen sade. "Den använder klassiska geometriregler med vinklar och liknande trianglar precis som eleverna gör."

Bortom matematik

AlphaGeometry är DeepMinds senaste satsning på matematik. i 2021, deras AI knäckte matematiska pussel som hade stört människor i decennier. Nyligen, de brukade stora språkmodeller för att resonera STEM-problem på högskolenivå och knäckt ett tidigare "olösligt" matematiskt problem baserat på ett kortspel med algoritmen FunSearch.

För närvarande är AlphaGeometry skräddarsydd för geometri, och med varningar. Mycket av geometrin är visuell, men systemet kan inte "se" ritningarna, vilket kan påskynda problemlösningen. Lägger till bilder, kanske med Googles Gemini AI, som lanserades i slutet av förra året, kan stärka dess geometriska smarta egenskaper.

En liknande strategi kan också utöka AlphaGeometrys räckvidd till ett brett spektrum av vetenskapliga domäner som kräver strikta resonemang med en touch av kreativitet. (Låt oss vara verkliga – det är alla.)

"Med tanke på den bredare potentialen för att träna AI-system från grunden med storskalig syntetisk data, kan detta tillvägagångssätt forma hur framtidens AI-system upptäcker ny kunskap, i matematik och därefter", skrev teamet.

Image Credit: Joel Filipe / Unsplash