Google Deepmind Research présente FunSearch : une nouvelle façon pour l’intelligence artificielle de rechercher de nouvelles solutions en mathématiques et en informatique

Les titulaires d’un LLM excellent dans la compréhension et la création de textes de type humain, leur permettant de comprendre et de créer des réponses qui imitent le langage humain et d’améliorer la communication entre les machines et les humains. Ces modèles sont polyvalents et adaptables à diverses tâches, notamment la traduction linguistique, le résumé, la réponse aux questions, la génération de texte, l’analyse des sentiments, etc. Sa flexibilité permet un déploiement dans diverses industries et applications.

Cependant, les titulaires d’un LLM ont parfois des hallucinations, ce qui entraîne des déclarations vraisemblablement incorrectes. Les grands modèles de langage tels que les modèles GPT sont très avancés dans la compréhension et la génération du langage et peuvent toujours produire des intrications pour plusieurs raisons. Si l’entrée ou l’affirmation fournie au modèle est ambiguë, contradictoire ou trompeuse, le modèle peut générer des réponses complexes basées sur son interprétation de l’entrée.

Les chercheurs de Google DeepMind ont surmonté cette limitation en proposant une méthode appelée FunSearch. Il combine un LLM pré-formé et évalué, qui protège contre la confusion et les idées incorrectes. FunSearch développe des programmes bruts à faible score en programmes à score élevé pour découvrir de nouvelles connaissances en combinant plusieurs composants de base. FunSearch produit des logiciels qui génèrent des solutions.

FunSearch fonctionne comme un processus itératif dans lequel, à chaque cycle, le système sélectionne certains programmes de la collection existante. Ces programmes sélectionnés sont ensuite traités par le LLM, qui les développe de manière innovante, produisant de nouveaux programmes soumis à une évaluation automatique. Les programmes prometteurs sont réintroduits dans le pool de programmes existant, créant ainsi une boucle qui s’auto-renforce.

Les chercheurs échantillonnent les programmes les plus performants et les réintègrent dans le MBA pour inciter à l’amélioration. Ils commencent avec un programme initial comme squelette et développent uniquement les parties maîtresses de la logique critique du programme. Ils établissent une structure gourmande pour le programme et prennent des décisions en fixant une fonction prioritaire à chaque étape. Ils utilisent des méthodes évolutives basées sur les îles pour maintenir un large éventail de programmes divers. Ils les mettent à l’échelle de manière asynchrone pour adapter leur approche afin de trouver de nouveaux résultats.

FunSearch utilise la même stratégie générale pour emballer les cartons. Au lieu d’emballer les articles dans des boîtes de capacité la plus faible, il définit les articles à la capacité la plus basse uniquement si l’ajustement est trop serré une fois l’article placé. Cette stratégie élimine les petites lacunes dans les cases qui ont peu de chances d’être comblées. L’un des composants essentiels de FunSearch est qu’il fonctionne dans l’espace logiciel plutôt que de rechercher directement des versions. Cela donne à FunSearch le potentiel d’applications réelles.

Certes, cela ne représente qu’une première étape. Les progrès de FunSearch s’aligneront naturellement sur le développement plus large des LLM. Les chercheurs se sont engagés à étendre ses fonctionnalités pour relever divers défis scientifiques et techniques critiques qui prévalent dans la société.

Vérifier la papier Et Blog. Tout le mérite de cette recherche revient aux chercheurs de ce projet. N’oubliez pas non plus de vous inscrire Nous avons plus de 34 000 ML SubReddit, 41 000+ communautés Facebook, Chaîne Discorde, Et Courrieloù nous partageons les dernières nouvelles en matière de recherche sur l’IA, des projets intéressants en matière d’IA et bien plus encore.

Si vous aimez notre travail, vous allez adorer notre newsletter.