Descubrimientos matemáticos de la búsqueda de programas con grandes modelos de lenguaje

Área de la Ciencia:

• Inteligencia artificial
• Las combinaciones
• Ciencias de la computación

Sus antecedentes:

• Los grandes modelos de lenguaje (LLM) sobresalen en tareas complejas, pero a menudo confabular, lo que limita su aplicación científica.
• Los enfoques de LLM existentes luchan con el descubrimiento científico debido a inexactitudes.

Objetivo del estudio:

• Introducir FunSearch, un procedimiento evolutivo para mejorar las capacidades de LLM para el descubrimiento científico.
• Demostrar la eficacia de FunSearch en la solución de problemas abiertos establecidos.

Principales métodos:

• Emparejar un LLM previamente entrenado con un evaluador sistemático en una búsqueda evolutiva.
• Aplicación de FunSearch a la combinatoria extrema (problema de conjunto de capas) y problemas algorítmicos (envasado de contenedores en línea).

Principales resultados:

• Descubrió construcciones nuevas y mejoradas para conjuntos de tapas grandes tanto en casos de dimensión finita como asintóticos.
• Se identificaron nuevas heurísticas para el embalaje de contenedores en línea, que superan las líneas de base existentes.
• Mostró la capacidad de FunSearch para generar programas interpretables para la resolución de problemas.

Conclusiones:

• FunSearch permite a los LLM hacer descubrimientos significativos en dominios científicos establecidos.
• El enfoque supera las confabulaciones de LLM, mejorando la confiabilidad para aplicaciones científicas.
• FunSearch ofrece un método escalable e interpretable para el descubrimiento científico impulsado por la IA.