نموذج الذكاء الاصطناعي الرائد من DeepMind يحل ألغازاً رياضية

في تطور كبير، قدمت ديب مايند، إحدى شركات جوجل التابعة، نموذج لغة كبير (LLM) مبتكر يُسمى "FunSearch"، والذي يحدث ثورة في مجال الرياضيات.

على عكس نماذج الذكاء الاصطناعي التقليدية التي تولد أحياناً نتائج غير دقيقة أو خيالية، يتخصص FunSearch في العثور على حلول دقيقة للمشكلات الرياضية المعقدة، وكشف حلول جديدة تماماً لم يسبق للبشر تخيلها من قبل.

FunSearch: عجيبة رياضية رائدة

FunSearch، المسمى بشكل مناسب لتركيزه على الوظائف الرياضية بدلاً من الترفيه، يضع معايير جديدة في مجال الرياضيات المدعومة بالذكاء الاصطناعي. في قلب هذا النموذج الرائد يوجد بنية تحتية من طبقتين. 

الطبقة الأولى هي متغير من PaLM 2 الخاص بشركة Google يُسمى "Codey"، وهو نموذج لغة كبير. تعمل الطبقة الثانية كآلية لفحص الأخطاء، حيث تفحص بدقة مخرجات Codey وتزيل المعلومات غير الصحيحة.

انطلق فريق البحث في DeepMind، الذي يقود هذا المشروع الاستثنائي، في رحلة من عدم اليقين، غير متأكدين مما إذا كان هذا النهج سيؤدي إلى نتائج مذهلة. وحتى اليوم، لا يزالون محيرين بشأن الآليات الأساسية التي تقود القدرات الاستثنائية لـ FunSearch، وفقاً للباحث في DeepMind Alhussein Fawzi.

حل لغز مشكلة مجموعة القبعات (cap set)

إحدى الألغاز الرياضية الرئيسية التي تناولها FunSearch هي مشكلة "مجموعة القبعات" الشهيرة. حيرت هذه اللغز علماء الرياضيات لسنوات، وذلك أساساً بسبب عدم وجود إجماع حول أفضل نهج لحلها.

ومع ذلك، تجاوز FunSearch هذا التحدي من خلال توليد حلول جديدة تماماً، والأهم من ذلك، دقيقة لمشكلة مجموعة القبعات—حلول كانت غير قابلة للتحقيق سابقاً من خلال الجهود البشرية.

للقيام بهذا الإنجاز، قام مهندسو DeepMind ببناء تمثيل بايثون لمشكلة مجموعة القبعات، متجاهلين الأسطر التي عرفت الحل. كان من مسؤولية Codey إضافة الأسطر التي ستحل المشكلة بشكل صحيح. 

قيّمت طبقة فحص الأخطاء حلول Codey بدقة من حيث الدقة والجودة، مدركةً أنه في الرياضيات المتقدمة، قد يكون للمعادلات حلول متعددة، ولكن ليس جميعها تُعتبر ذات قيمة متساوية. مع مرور الوقت، يحدد خوارزمية FunSearch الحلول المثلى التي يولدها Codey ودمجها مرة أخرى في النموذج.

سمح DeepMind لـ FunSearch بالعمل لعدة أيام، وخلال ذلك أنتج ملايين الحلول المحتملة. سمح هذا التشغيل المطول لـ FunSearch بتحسين رمزه وتوليد نتائج متفوقة بشكل متزايد. تسلط نتائج هذا البحث الضوء على قدرة FunSearch على إنتاج حلول غير معروفة سابقاً، لكنها رياضية سليمة لمشكلة مجموعة القبعات.

ما وراء مجموعة القبعات: معالجة مشكلة تعبئة الحاويات

بالإضافة إلى مشكلة مجموعة القبعات، أظهر FunSearch براعته في معالجة تحدي رياضي آخر معروف باسم "مشكلة تعبئة الحاويات". ينطوي هذا التحديد على تحديد الطريقة الأكثر كفاءة لتعبئة الحاويات، وهي مهمة مليئة بالتعقيدات والتطبيقات العملية. وبشكل ملحوظ، تفوق FunSearch على الحلول المحسوبة يدوياً من خلال كشف نهج أسرع وأكثر تحسيناً.

تؤكد قدرة FunSearch على التميز في مثل هذه المجالات الرياضية المتنوعة إمكاناته المفيدة في مساعدة علماء الرياضيات والباحثين في مجالات مختلفة.

بينما لا يزال دمج نماذج اللغة الكبيرة (LLMs) في مجال الرياضيات يمثل تحديات، فإن FunSearch من DeepMind يوفر مساراً واعداً للأمام. ما يميز هذا النهج هو توليده لرمز الكمبيوتر، بدلاً من تقديم مخرجات رياضية خام. يسهل هذا التمييز عملية الفهم والتحقق، مما يجعلها أكثر سهولة لعلماء الرياضيين والباحثين البشر.

يمثل ظهور FunSearch خطوة أخرى كبيرة في مساهمات DeepMind المستمرة في مجال الذكاء الاصطناعي. حققت مشاريعها السابقة، بما في ذلك AlphaFold (طي البروتين) وAlphaStar (StarCraft) وAlphaGo (لعبة Go)، إنجازات مذهلة لكنها لم تكن مبنية على نماذج LLM. ومع ذلك، كشفت عن مفاهيم رياضية جديدة، مما يمهد الطريق للإمكانات الرائدة لـ FunSearch.

بينما يكافح علماء الرياضيات مع المشهد المتطور لتكنولوجيا LLM، يقدم أحدث ابتكار من DeepMind لمحة من الأمل والحلول المحتملة للألغاز الرياضية طويلة الأمد. يمكن للنهج الفريد لـ FunSearch وقدرته على تقديم حلول جديدة وموثقة إعادة تشكيل طريقة تعامل علماء الرياضيات مع المشكلات المعقدة.