Google DeepMind scopre nuove soluzioni matematiche con FunSearch

In un recente sviluppo, Google DeepMind ha applicato un modello linguistico di grandi dimensioni per risolvere un noto problema irrisolto di matematica pura. La ricerca, pubblicata su Nature, segna la prima volta che un modello linguistico è stato usato per scoprire una soluzione a un problema scientifico di lunga data, producendo nuove informazioni verificabili e preziose che prima non erano conosciute. Il successo di FunSearch apre nuove strade nell’incorporazione di grandi modelli linguistici nel flusso di lavoro di ricerca matematica, offrendo un approccio promettente per sfruttare la loro potenza e mitigare i loro svantaggi.

Il modello, denominato FunSearch (da “funzione matematica”), rappresenta un salto significativo rispetto ai precedenti strumenti di DeepMind, come AlphaTensor e AlphaDev. Mentre questi ultimi affrontavano problemi matematici trattandoli come puzzle di Go o scacchi, FunSearch adotta un approccio diverso, combinando un ampio modello linguistico chiamato Codey, una versione di PaLM 2 di Google ottimizzata sul codice del computer, con altri sistemi che scartano codici errati o privi di senso, reinserendo quelli validi.

FunSearch funziona permettendo a Codey di riempire i vuoti in programmi scritti in Python, lasciando che suggerisca il codice che risolverà il problema. Un secondo algoritmo valuta e assegna un punteggio a ciò che Codey propone, selezionando i migliori suggerimenti per ulteriori iterazioni. Dopo milioni di tentativi e ripetizioni del processo, FunSearch ha trovato una soluzione corretta e precedentemente sconosciuta al problema del “cap set”, che riguarda la determinazione della dimensione massima di un certo tipo di set senza che tre punti formino mai una linea retta.

Terence Tao, matematico di fama mondiale presso l’Università della California, Los Angeles, ha definito il problema del “cap set” come la sua domanda aperta preferita e si è mostrato incuriosito dalle potenzialità di FunSearch. Oltre al problema del “cap set”, i ricercatori hanno impiegato FunSearch per affrontare il problema dell’imballaggio dei contenitori, trovando un modo più veloce rispetto alle soluzioni umane. Questo dimostra che FunSearch potrebbe teoricamente essere utilizzato per una vasta gamma di problemi, poiché produce codice, una “ricetta” per generare la soluzione, anziché la soluzione stessa.