Google DeepMind’ın yapay zeka sistemleri artık karmaşık matematik problemlerini çözebiliyor

“Cevaplarını kontrol etmenin bir yolu varsa (örneğin, resmi bir dilde) bir modeli matematik için eğitmek genellikle daha kolaydır, ancak serbest biçimli doğal dile (gayri resmi dil) kıyasla çevrimiçi olarak nispeten daha az resmi matematik verisi vardır, ” diyor Cambridge Üniversitesi’nden matematik ve yapay zeka alanında uzmanlaşmış ancak projeye dahil olmayan araştırmacı Katie Collins.

Bu boşluğu doldurmak, Google DeepMind’ın resmi programlama dili Lean’da matematiksel ifadeleri kanıtlamak için kendini eğiten takviyeli öğrenmeye dayalı bir sistem olan AlphaProof’u yaratma hedefiydi. Anahtar, DeepMind’ın Gemini AI’sının, doğal, resmi olmayan bir dille ifade edilen matematik problemlerini, yapay zekanın işlemesi daha kolay olan resmi ifadelere otomatik olarak çevirmek için ince ayarlı bir sürümüdür. Bu, değişen zorluk derecelerine sahip geniş bir resmi matematik problemleri kütüphanesi yarattı.

Araştırmayı hakemli olarak değerlendiren ancak projede yer almayan Edinburgh Üniversitesi’nde hibrit yapay zeka alanında öğretim görevlisi olan Wenda Li, verileri resmi dile çevirme sürecini otomatikleştirmenin matematik topluluğu için ileriye doğru atılmış büyük bir adım olduğunu söylüyor.

“Bu kanıtlama sistemini formüle edebilirlerse, yayınlanan sonuçların doğruluğuna çok daha fazla güvenebiliriz ve bu aynı zamanda daha işbirlikçi hale gelebilir” diye ekliyor.

İkizler modeli birlikte çalışır AlfaSıfırMilyonlarca matematik problemini kanıtlamak veya çürütmek için Google DeepMind’ın Go ve satranç gibi oyunlarda ustalaşmak için eğittiği takviyeli öğrenme modeli. Ne kadar çok problemi başarılı bir şekilde çözerse, AlphaProof artan karmaşıklığa sahip problemlerle o kadar iyi başa çıkıyor.

AlphaProof, geniş bir yelpazedeki matematik konularındaki problemlerin üstesinden gelmek üzere eğitilmiş olmasına rağmen, AlphaGeometry 2; sistem Google DeepMind’ın Ocak ayında duyurduğu şey, nesnelerin hareketleriyle ve açılar, oranlar ve mesafeler içeren denklemlerle ilgili sorunların üstesinden gelmek için optimize edildi. Önceki modele göre çok daha fazla sentetik veriyle eğitildiğinden çok daha zorlu geometri sorularını çözebildi.