ИИ на DeepMind решава задачите по геометрия на ниво международна олимпиада
Новата система за изкуствен интелект на Гугъл DeepMind, наречена AlphaGeometry, взема решение комплицирани геометрични задания съвсем толкоз добре, колкото и златните медалисти от Международната олимпиада по математика.
Новият инструмент съчетава два разнообразни метода. Това са невронен езиков модел, който генерира интуитивни хрумвания, и енджин за символни заключения, който ги ревизира благодарение на официална логичност и правила. Моделът е подготвен върху 100 милиона математически доказателства, свързани с геометрията. Това дава опция на изкуствения разсъдък да взема решение дилемите малко по малко. Този метод е преуспяващ за използването на ИИ в математиката и науката, като преодолява рестриктивните мерки на обичайните модели.
Изследователите тестваха AlphaGeometry на DeepMind върху 30 геометрични задания от Международната олимпиада по математика (IMO). Те се смятат за сложни даже за опитните математици. Системата реши 25 задания за общоприетото време от 4,5 часа. Това подхожда на междинния резултат на златните медалисти, решавали сходни задания. Езиковият модел разчита на същата технология, която е в основата на търсачката на Гугъл и системите за различаване на натурален език. Механизмът за дедукция се основава на способ, създаден от китайския математик Уен-Кьонг Ву през 1978 година Предишната система, основана на метода на Ву, е съумяла да реши единствено 10 задания.
Математиката, и по-специално геометрията, е предизвикателство за откривателите на ИИ, защото изисква както креативен метод, по този начин и суровост. За разлика от текстово основаните модели на ИИ, които могат да бъдат обучавани на големи количества данни от интернет, за математиката, която е по-символична и предметно насочена, са налични относително малко данни. Освен това решаването на математическите задания изисква логичен разсъждения, с които множеството сегашни модели на ИИ не се оправят доста добре.
За да преодолеят тези провокации, откривателите от DeepMind са създали нов невросимволичен метод. Той който употребява мощните страни както на невронните мрежи, по този начин и на символните системи. Невронните мрежи са положителни в разпознаването на модели и предвиждането на последващи стъпки. Само че те постоянно позволяват неточности или не съумяват да дадат пояснения. Символните системи, въпреки това, се основават на официална логичност и строги правила. Това им дава опция да поправят и обосновават решенията на невронните мрежи.
Екипът се е фокусирал върху задания от Евклидовата геометрия, при които задачата е да се напише математическо доказателство на обещано изказване. Те са вградили в своя език десетки съществени правила на геометрията, като да вземем за пример „ в случай че една линия пресича втора линия, тя ще пресича и линия, успоредна на втората линия “. След това са написали стратегия, която автоматизирано генерира 100 милиона „ доказателства “. Тези доказателства се състоят от случайни последователности от елементарни, само че логичен неопровержими стъпки. Като да вземем за пример „ по двете точки A и B да се сформира квадратът ABCD “.
AlphaGeometry е подготвена точно на тези машинни доказателства. Това е разрешило на изкуствения разсъдък да взема решение дилемите от математическата олимпиада малко по малко, сходно на метода, по който чатботовете генерират текст. Благодарение на опцията да отсява неправилните разновидности, изкуственият разсъдък може надеждно да дава единствено правилните резултати, а тяхната акуратност е лесна за инспекция.
AlphaGeometry може да обобщава невидимите проблеми и да открива нови теореми. Такива, които не са категорично посочени в заданието на задачата. Така да вземем за пример системата е в положение да потвърди теоремата за бисектрисата на триъгълника, която не е посочена като причина или цел на задачата.
Изследователите се надяват, че тяхната система с отворен код ще въодушеви по-нататъшните проучвания. Те имат вяра, че техният метод към синтетичните данни ще помогне на изкуствения разсъдък да успее в региона на математиката. Както и в науката, където генерираните от индивида данни за образование са нищожни. Но учените регистрират и рестриктивните мерки на модела – нуждата от по-разбираеми доказателства, мащабиране за решаването на по-сложни задания, както и етичните въпроси, свързани с потреблението на системи с ИИ в математиката.
