Система искусственного интеллекта Google DeepMind решает задачи по геометрии, как олимпиец по математике

Новая система искусственного интеллекта, разработанная Гугл ДипМайндодна из ведущих в мире лабораторий искусственного интеллекта, может решать сложные геометрические задачи на уровне, сравнимом с человеческим золотым медалистом в Международная математическая олимпиада (IMO), престижный конкурс для старшеклассников.

Система, названная АльфаГеометрия, сочетает в себе два разных подхода: модель нейронного языка, которая генерирует интуитивные идеи, и механизм символической дедукции, который проверяет их с помощью формальной логики и правил. Языковая модель основана на той же технологии, которая лежит в основе поисковой системы Google и систем распознавания естественного языка. Механизм дедукции основан на методе, разработанном китайским математиком Вэнь-Цюн Ву в 1978 году.

Исследователи протестировали AlphaGeometry на 30 геометрических задачах IMO, которые считаются сложными даже для опытных математиков. Система решила 25 задач за стандартное время в 4,5 часа, что соответствует среднему баллу золотых медалистов-людей, решивших те же задачи. Предыдущая лучшая система, основанная на методе Ву, решила только 10 задач.

Результаты, опубликованные сегодня в Природапокажите, что ИИ может рассуждать логически и открывать новые математические знания.

Математика и, в частности, геометрия уже давно представляют собой сложную задачу для исследователей ИИ, поскольку они требуют как творческого подхода, так и строгости. В отличие от текстовых моделей ИИ, которые можно обучать на огромных объемах данных из Интернета, для математики доступно относительно мало данных, которые являются более символическими и предметно-ориентированными. Более того, решение математических задач требует логических рассуждений, с чем большинство современных моделей ИИ не очень хороши.

Чтобы преодолеть эти проблемы, исследователи разработали новый нейросимволический подход, который использует сильные стороны как нейронных сетей, так и символических систем. Нейронные сети хорошо распознают закономерности и прогнозируют следующие шаги, но они часто допускают ошибки или не имеют объяснений. Символические системы, напротив, основаны на формальной логике и строгих правилах, которые позволяют им корректировать и обосновывать решения нейронной сети.

Исследователи сравнили свой подход с идеей «думать быстро и медленно», популяризированный нобелевским лауреатом Дэниелом Канеманом. Одна система обеспечивает быстрые, «интуитивные» идеи, а другая — более обдуманное и рациональное принятие решений. Эти две системы, ответственные соответственно за творческое мышление и логическое рассуждение, работают вместе для решения сложных математических задач.

Исследователи также показали, что AlphaGeometry может обобщать невидимые проблемы и открывать новые теоремы, которые явно не указаны в постановке задачи. Например, система смогла доказать теорему о биссектрисе треугольника, которая не была задана как предпосылка или цель задачи.

Исследователи надеются, что их система, которые у них есть в открытом доступе, вдохновит на дальнейшие исследования и применения в области математики, естественных наук и искусственного интеллекта. Они также признают ограничения и проблемы своей работы, такие как необходимость в более удобочитаемых доказательствах, масштабируемость для решения более сложных задач и этические последствия использования систем искусственного интеллекта в математике.

Хотя AlphaGeometry в настоящее время ограничивается доказательствами геометрии, исследователи полагают, что их методология синтетических данных может позволить рассуждениям ИИ процветать в областях математики и естественных наук, где данных для обучения, созданных человеком, недостаточно. Автоматизируя обнаружение и проверку новых знаний, машинное обучение может вскоре ускорить понимание человеком многих дисциплин.