كشف باحثو Google DeepMind عن أداة FunSearch وهو نموذج للذكاء الاصطناعي (AI) قادر على حل المشكلات الرياضية المعقدة التي كانت تعتبر في السابق غير قابلة للحل.
ويمثل هذا الانجاز المرة الأولى التي يتم فيها استخدام نموذج لغة كبير (LLM) للكشف عن حل للغز علمي طويل الأمد، وتقديم معلومات جديدة قيمة وقابلة للتحقق لم تكن معروفة من قبل، وفقًا لورقة بحثية نُشرت في مجلة Nature.
ويواصل FunSearch سلسلة من إنجازات DeepMind في الرياضيات الأساسية وعلوم الكمبيوتر باستخدام الذكاء الاصطناعي، بعد تسريع AlphaTensor للحسابات وتحسين AlphaDev للخوارزميات الرئيسية، وفقا لتقرير indiatoday.
وعلى عكس سابقاتها، يتبع FunSearch نهجا فريدا من خلال الجمع بين نموذج لغة كبير يسمى Codey مع أنظمة أخرى ترفض الإجابات غير الصحيحة وتدمج الإجابات الصحيحة مرة أخرى في العملية، واستخدم فريق البحث، بقيادة بوشميت كوهلي، نائب رئيس الأبحاث في Google DeepMind، منهجية التجربة والخطأ، مما سمح لـ FunSearch باقتراح حلول برمجية لمشكلة تم تحديدها في البداية في Python.
وتتضمن عملية FunSearch أن يقوم Codey باقتراح تعليمات برمجية لإكمال البرنامج، مع قيام خوارزمية ثانية بفحص الاقتراحات وتسجيلها ، ويتم إرسال أفضل الأفكار، حتى لو لم تكن صحيحة في البداية، إلى Codey، مما يؤدي إلى إنشاء حلقة تحسين مستمرة، وبعد ملايين الاقتراحات والعديد من التكرارات، نجحت FunSearch في إنشاء تعليمات برمجية توفر حلاً صحيحًا وغير معروف سابقًا لمشكلة مجموعة الحد الأقصى، وهي مشكلة معقدة في الرياضيات البحتة.
وتتضمن مشكلة مجموعة الحد الأقصى تحديد أكبر حجم لمجموعة محددة في نظرية الرسم البياني، وقد ظل حلها بعيد المنال عن علماء الرياضيات لسنوات، وتعد قدرة FunSearch على إنتاج تعليمات برمجية مفهومة وقابلة للتفسير من قبل الإنسان تميزها عن غيرها، مما يوفر نموذجًا واعدًا للاستفادة من قوة نماذج اللغات الكبيرة في مجالات مختلفة لحل المشكلات.
تم إثبات تعدد استخدامات FunSearch بشكل أكبر من خلال تطبيقه على مشكلة تعبئة الصناديق، وهي مهمة صعبة في الرياضيات مع تطبيقات في علوم الكمبيوتر، ولم تجد FunSearch حلاً فحسب، بل تفوقت أيضًا على الأساليب التي ابتكرها الإنسان، حيث عرضت إمكاناتها عبر سيناريوهات متنوعة لحل المشكلات.
في حين يعترف علماء الرياضيات بالحاجة إلى دمج نماذج اللغة الكبيرة في سير العمل البحثي بحذر، فإن نجاح FunSearch يمثل خطوة مهمة إلى الأمام في تسخير قدرات الذكاء الاصطناعي لحل المشكلات المعقدة بكفاءة.
