DeepMinds bahnbrechendes KI-Modell löst mathematische Rätsel

In einer bedeutenden Entwicklung hat DeepMind, eine Tochtergesellschaft von Google, ein innovatives Large Language Model (LLM) namens „FunSearch“ eingeführt, das das Feld der Mathematik revolutioniert.

Im Gegensatz zu herkömmlichen KI-Modellen, die gelegentlich ungenaue oder fiktive Ergebnisse generieren, ist FunSearch darauf spezialisiert, präzise Lösungen für komplexe mathematische Probleme zu finden, die oft völlig neue, zuvor von Menschen nie konzipierte Lösungen offenbaren.

FunSearch: Ein bahnbrechendes mathematisches Wunder

FunSearch, passend benannt für seinen Fokus auf mathematische Funktionen statt auf Unterhaltung, setzt neue Maßstäbe im Bereich der KI-gesteuerten Mathematik. Im Herzen dieses bahnbrechenden Modells steht eine zweistufige Architektur. 

Die erste Schicht ist eine Variante von Googles PaLM 2 namens „Codey“, ein Large Language Model. Die zweite Schicht fungiert als Fehlerprüfungsmechanismus, der Codeys Ausgabe sorgfältig scannt und falsche Informationen eliminiert.

DeepMinds Forschungsteam, das dieses außergewöhnliche Projekt vorantreibt, begab sich auf eine Reise der Unsicherheit, ohne zu wissen, ob dieser Ansatz bemerkenswerte Ergebnisse liefern würde. Bis heute rätseln sie über die zugrunde liegenden Mechanismen, die FunSearchs außergewöhnliche Fähigkeiten antreiben, so DeepMind-Forscher Alhussein Fawzi.

Das rätselhafte Cap-Set-Problem lösen

Eines der wichtigsten mathematischen Rätsel, das FunSearch angegangen ist, ist das berüchtigte „Cap-Set-Problem“. Dieses Puzzle hat Mathematiker seit Jahren verwirrt, hauptsächlich aufgrund des Mangels an Konsens über den besten Ansatz zu seiner Lösung.

FunSearch hat diese Herausforderung jedoch überwunden, indem es völlig neue und, was entscheidend ist, genaue Lösungen für das Cap-Set-Problem generiert hat – Lösungen, die zuvor durch menschliche Bemühungen nicht erreichbar waren.

Um dieses Kunststück zu vollbringen, konstruierten DeepMind-Ingenieure eine Python-Repräsentation des Cap-Set-Problems, indem sie die Zeilen wegließen, die die Lösung definierten. Es war dann die Aufgabe von Codey, Zeilen hinzuzufügen, die das Problem korrekt lösen würden. 

Die Fehlerprüfungs-Schicht bewertete Codeys Lösungen rigoros auf Genauigkeit und Qualität und erkannte an, dass es in der hochrangigen Mathematik mehrere Lösungen für Gleichungen geben kann, aber nicht alle als gleichwertig angesehen werden. Mit der Zeit identifiziert der Algorithmus von FunSearch die optimalen von Codey generierten Lösungen und integriert sie wieder in das Modell.

DeepMind ließ FunSearch mehrere Tage lang laufen, wobei es Millionen potenzieller Lösungen produzierte. Diese längere Laufzeit ermöglichte es FunSearch, seinen Code zu verfeinern und zunehmend überlegene Ergebnisse zu generieren. Die Ergebnisse dieser Forschung unterstreichen FunSearchs Fähigkeit, zuvor unbekannte, aber mathematisch fundierte Lösungen für das Cap-Set-Problem zu produzieren.

Jenseits des Cap-Sets: Das Bin-Packing-Problem angehen

Zusätzlich zum Cap-Set-Problem demonstrierte FunSearch seine Fähigkeiten bei der Bewältigung einer weiteren formidable mathematischen Herausforderung, des sogenannten „Bin-Packing-Problems“. Dieses Problem beinhaltet die Bestimmung der effizientesten Art, Behälter zu packen, eine Aufgabe voller Komplexität und praktischer Anwendungen. Bemerkenswerterweise übertraf FunSearch menschlich berechnete Lösungen, indem es einen schnelleren und optimierteren Ansatz aufdeckte.

Die Fähigkeit von FunSearch, in so unterschiedlichen mathematischen Domänen herausragende Leistungen zu erbringen, unterstreicht sein potenziellen Nutzen bei der Unterstützung von Mathematikern und Forschern in verschiedenen Bereichen.

Während die Integration von Large Language Models (LLMs) in den Bereich der Mathematik weiterhin Herausforderungen mit sich bringt, bietet DeepMinds FunSearch einen vielversprechenden Weg nach vorn. Was diesen Ansatz auszeichnet, ist die Generierung von Computercode, anstatt rohe mathematische Ausgaben zu liefern. Diese Unterscheidung vereinfacht den Verständnis- und Verifikationsprozess und macht ihn für menschliche Mathematiker und Forscher zugänglicher.

Das Aufkommen von FunSearch markiert einen weiteren bedeutenden Schritt in DeepMinds fortlaufenden Beiträgen zur künstlichen Intelligenz. Ihre früheren Projekte, darunter AlphaFold (Proteinfaltung), AlphaStar (StarCraft) und AlphaGo (Go), erzielten bemerkenswerte Erfolge, basierten jedoch nicht auf Large Language Models (LLMs). Dennoch legten sie neue mathematische Konzepte offen und kündigten das bahnbrechende Potenzial von FunSearch an.

Während Mathematiker mit der sich wandelnden Landschaft der LLM-Technologie kämpfen, bietet DeepMinds neueste Innovation einen Hoffnungsschimmer und potenzielle Lösungen für langjährige mathematische Rätsel. Der einzigartige Ansatz von FunSearch und seine Fähigkeit, neuartige, verifizierte Lösungen zu liefern, könnten die Art und Weise, wie Mathematiker komplexe Probleme angehen, grundlegend verändern.