O Modelo de IA de Avanço da DeepMind Resolve Mistérios Matemáticos

Em um desenvolvimento significativo, a DeepMind, uma subsidiária do Google, apresentou um Modelo de Linguagem Grande (LLM) inovador chamado “FunSearch”, que está revolucionando o campo da matemática.

Ao contrário dos modelos de IA tradicionais que ocasionalmente geram resultados imprecisos ou fictícios, o FunSearch é especializado em encontrar soluções precisas para problemas matemáticos complexos, frequentemente revelando soluções inteiramente novas nunca antes concebidas por humanos.

FunSearch: Uma maravilha matemática pioneira

FunSearch, apropriadamente nomeado por seu foco em funções matemáticas em vez de diversão, está estabelecendo novos padrões no campo da matemática impulsionada por IA. No coração deste modelo inovador está uma arquitetura de dois níveis. 

A primeira camada é uma variante do PaLM 2 do Google chamada “Codey”, um modelo de linguagem grande. A segunda camada atua como um mecanismo de verificação de erros, examinando meticulosamente a saída do Codey e eliminando informações incorretas.

A equipe de pesquisa da DeepMind, liderando este projeto excepcional, embarcou em uma jornada de incerteza, sem saber se essa abordagem produziria resultados notáveis. Mesmo hoje, eles permanecem mistificados sobre os mecanismos subjacentes que impulsionam as capacidades extraordinárias do FunSearch, de acordo com o pesquisador da DeepMind Alhussein Fawzi.

Resolvendo o enigmático problema do cap set

Um dos principais enigmas matemáticos que o FunSearch abordou é o famoso “problema do cap set”. Este quebra-cabeça confunde matemáticos há anos, principalmente devido à falta de consenso sobre a melhor abordagem para resolvê-lo.

No entanto, o FunSearch superou esse desafio gerando soluções inteiramente novas e, crucialmente, precisas para o problema do cap set — soluções anteriormente inatingíveis por meio de esforços humanos.

Para realizar essa façanha, os engenheiros da DeepMind construíram uma representação em Python do problema do cap set, omitindo as linhas que definiam a solução. Cabia então ao Codey adicionar linhas que resolveriam corretamente o problema. 

A camada de verificação de erros avaliou rigorosamente as soluções do Codey quanto à precisão e qualidade, reconhecendo que, na matemática de alto nível, as equações podem ter múltiplas soluções, mas nem todas são consideradas igualmente valiosas. Com o tempo, o algoritmo do FunSearch identifica as soluções ótimas geradas pelo Codey e as integra de volta ao modelo.

A DeepMind permitiu que o FunSearch operasse por vários dias, durante os quais produziu milhões de soluções potenciais. Essa execução prolongada permitiu que o FunSearch refinasse seu código e gerasse resultados cada vez superiores. Os resultados desta pesquisa destacam a capacidade do FunSearch de produzir soluções anteriormente desconhecidas, mas matematicamente sólidas, para o problema do cap set.

Além do cap set: Enfrentando o problema do empacotamento de binários

Além do problema do cap set, o FunSearch demonstrou sua proeza em abordar outro desafio matemático formidável conhecido como “problema do empacotamento de binários” (bin packing). Este problema envolve determinar a maneira mais eficiente de empacotar binários, uma tarefa carregada de complexidade e aplicações práticas. Notavelmente, o FunSearch superou as soluções calculadas por humanos, descobrindo uma abordagem mais rápida e otimizada.

A capacidade do FunSearch de se destacar em domínios matemáticos tão diversos sublinha seu potencial utilidade em auxiliar matemáticos e pesquisadores em várias áreas.

Embora a integração de Modelos de Linguagem Grande (LLMs) no campo da matemática continue a apresentar desafios, o FunSearch da DeepMind oferece um caminho promissor. O que diferencia essa abordagem é a geração de código de computador, em vez de fornecer saídas matemáticas brutas. Essa distinção simplifica o processo de compreensão e verificação, tornando-o mais acessível a matemáticos e pesquisadores humanos.

A chegada do FunSearch representa outro passo significativo nas contribuições contínuas da DeepMind para a inteligência artificial. Seus projetos anteriores, incluindo AlphaFold (dobramento de proteínas), AlphaStar (StarCraft) e AlphaGo (Go), alcançaram feitos notáveis, mas não eram baseados em LLMs. No entanto, eles descobriram novos conceitos matemáticos, prenunciando o potencial inovador do FunSearch.

Enquanto os matemáticos lidam com a paisagem em evolução da tecnologia de LLMs, a mais recente inovação da DeepMind oferece um vislumbre de esperança e soluções potenciais para enigmas matemáticos de longa data. A abordagem única do FunSearch e sua capacidade de fornecer soluções novas e verificadas podem remodelar a maneira como os matemáticos abordam problemas complexos.