用大型语言模型进行程序搜索的数学发现
Bernardino Romera-Paredes1, Mohammadamin Barekatain2, Alexander Novikov2
1Google DeepMind, London, UK. brp@google.com.
大型语言模型 (LLM) 现在可以使用FunSearch进行科学发现,这是一种进化方法,它将LLM与评估器结合起来,以克服混和解决复杂的问题.
科学领域:
- 人工智能
- 组合学
- 计算机科学
背景情况:
- 大型语言模型 (LLM) 在复杂的任务中表现出色,但往往会混,限制它们的科学应用.
- 现有的LLM方法由于不准确而难以进行科学发现.
研究的目的:
- 介绍FunSearch,一个进化过程来增强科学发现的LLM能力.
- 展示FunSearch在解决已确定的未解决问题的有效性.
主要方法:
- 一个经过预先训练的LLM与一个系统的评估者进行进化搜索.
- 将FunSearch应用到极端组合学 (上限设置问题) 和算法问题 (在线垃圾包装).
主要成果:
- 在有限维度和异面性情况下发现了新的,改进的大型帽子集结构.
- 确定了在线垃圾包装的新启发方法,其性能优于现有的基线.
- 展示了FunSearch用于解决问题的可解释程序的能力.
结论:
- 功能搜索使LLM能够在已知科学领域做出重大发现.
- 这种方法克服了LLM的误解,提高了科学应用的可靠性.
- FunSearch提供了一个可扩展和可解释的AI驱动科学发现方法.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
05:15The Spatial Memory Game: Testing the Relationship Between Spatial Language, Object Knowledge, and Spatial Cognition
Published on: February 19, 2018
相关概念视频
Theorems of Pappus and Guldinus: Problem Solving
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Statically Indeterminate Problem Solving
Language and Cognition
Castigliano's Theorem: Problem Solving
Machines: Problem Solving II
