"سرگئی گوکوف"، ریاضیدان موسسه فناوری کالیفرنیا (Caltech)، به همراه تیمش نوع جدیدی از الگوریتم یادگیری ماشینی طراحی کرده‌اند که از پس حل مسائل ریاضی می‌آید که نیازمند فرایند‌های بسیار طولانی هستند؛ صحبت از میلیون‌ها گام است!
یک الگوریتم جدید یادگیری ماشینی طراحی شده است که می‌تواند مسائل ریاضی را که دهه‌ها کارشناسان را سردرگم کرده‌اند، حل کند.
به گزارش انتخاب و به نقل از انلی مای هلث؛ پژوهشگران سیستمی مبتنی بر هوش مصنوعی توسعه داده‌اند که برخلاف «زندگی در لحظه»، توانایی فکر کردن چندین گام (و حتی میلیون‌ها گام) جلوتر را دارد.
"سرگئی گوکوف"، ریاضیدان موسسه فناوری کالیفرنیا (Caltech)، به همراه تیمش نوع جدیدی از الگوریتم یادگیری ماشینی طراحی کرده‌اند که از پس حل مسائل ریاضی می‌آید که نیازمند فرایند‌های بسیار طولانی هستند؛ صحبت از میلیون‌ها گام است!
این الگوریتم هوش مصنوعی موفق شده است پیشرفت‌هایی در مسئله پیچیده‌ای به نام «حدس اندروز-کرتیس» (Andrews–Curtis Conjecture) داشته باشد؛ مسئله‌ای که دهه‌ها ریاضی‌دان‌ها را به چالش کشانده است. به طور خلاصه، این حدس می‌پرسد: آیا می‌توان معما‌های ریاضی مشخصی را با استفاده از مجموعه‌ای از حرکات تعریف‌شده و بر اساس قوانینی مختصر، حل کرد؟ مانند اینکه حرکات را بازچینید یا برخی گام‌ها را معکوس کنید.
برای حل این نوع مسائل، تیم کلتک الگوریتمی طراحی کرد که بتواند مسیر‌های بسیار طولانی و نادری را که یافتن آنها سخت است، پیدا کند. "علی شهپر"، ریاضیدان دانشگاه راتگرز و نویسنده اصلی این پژوهش، در این باره می‌گوید:
«ما در حال تلاش هستیم که مسیرمان را در هزارتویی به اندازه زمین پیدا کنیم. این مسیر‌ها بسیار طولانی بوده و تنها یک مسیر وجود دارد که به جواب صحیح ختم می‌شود.»
در پژوهشی که پیش‌چاپ آن در پایگاه arXiv منتشر شده و به‌تازگی به‌روزرسانی شده است، شهپر و همکارانش توضیح داده‌اند که چگونه این هوش مصنوعی را برای حل دسته‌ای از مسائل مرتبط با حدس اندروز-کرتیس در حوزه جبر انتزاعی به کار گرفته‌اند. البته این تیم هنوز موفق نشده‌اند این حدس را به‌طور کامل حل کنند.
شاید این خبر چندان هیجان‌انگیز به نظر نرسد، اما نتیجه کار آنها حذف برخی از گزینه‌های مخالف بالقوه برای این حدس بود. حذف این مخالفان به معنای اثبات قطعی این حدس نیست، اما نشانگر تقویت احتمالی درستی آن است. شهپر توضیح می‌دهد:
«حذف برخی از گزینه‌های مخالف به ما اطمینان بیشتری در مورد اعتبار حدس اصلی می‌دهد. همچنین شهود ما نسبت به حل مسئله اصلی را بهبود می‌بخشد، به‌طوری که بتوانیم از زاویه دید تازه‌ای به آن فکر کنیم.»
"سرگئی گوکوف" این نوع مسائل ریاضی را با یک مکعب روبیک مقایسه می‌کند:
«تصور کنید که یک مکعب روبیک به هم ریخته و پیچیده را دارید. آیا می‌توانید آن را به حالت اولیه‌اش بازگردانید؟ برای این کار باید دنباله‌ای از حرکات را انجام دهید. اما تا زمانی که به پایان مسیر نرسیده باشید، نمی‌دانید آیا مسیر درستی را طی کرده‌اید یا نه.»
روش این هوش مصنوعی به این صورت است که از مرز‌های الگو‌های فکری رایج عبور می‌کند. برای توسعه این الگوریتم از روش «یادگیری تقویتی» (Reinforcement Learning) استفاده شده است. ابتدا مسائل ساده ریاضی به هوش مصنوعی داده شد و به‌مرور، مسائل پیچیده‌تری به آن آموزش داده شد. شهپر می‌گوید: «این هوش مصنوعی حرکات مختلف را امتحان کرده و برای حل مسائل، پاداش دریافت می‌کند. ما الگوریتم را تشویق می‌کنیم که موفقیت‌هایش را ادامه دهد، درحالی‌که همچنان کنجکاوی و نوآوری‌اش را نیز حفظ کرده است. در نهایت، هوش مصنوعی استراتژی‌هایی می‌سازد که از بهترین روش‌های انسانی هم کارآمدتر است. این همان جادوی یادگیری تقویتی است.»
این الگوریتم موفق شد دنباله‌هایی بسیار پیچیده و دور از انتظار را خلق کند که پژوهشگران نام آنها را «فوق‌حرکت» گذاشتند. گوکوف در این باره افزود:
«اگر از ChatGPT بخواهید نامه‌ای بنویسد، در نهایت یک متن عادی و قابل پیش‌بینی ارائه می‌دهد. احتمال خیلی کمی وجود دارد که چیزی بسیار خاص و خلاقانه تولید کند. درواقع، مثل یک تقلیدگر عمل می‌کند. اما برنامه ما در ایجاد راه‌حل‌های غیرمنتظره و خاص عملکرد شگفت‌انگیزی دارد.»
این دستاورد علمی، گرچه روی رویداد‌های روزمره مانند پیش‌بینی سقوط‌های مالی جهان متمرکز نیست، اما پژوهشگران بر این باورند که این روش‌های نوآورانه در آینده می‌تواند به حل چنین مسائل مهمی کمک کند.
گوکوف بیان کرد: «این برنامه درواقع می‌داند که چگونه یاد بگیرد یاد بگیرد. این یعنی خارج از چارچوب بیندیشد.» او همچنین توضیح داد که تیمش در حوزه‌ای از ریاضیات که دهه‌ها بدون پیشرفت باقی مانده بود، توانسته‌اند تغییراتی محسوس ایجاد کنند.
او همچنین افزود که الگوریتم آنها به قدرت محاسباتی بسیار بالایی نیاز ندارد و این ویژگی، کار پژوهش را به کسانی که از کامپیوتر‌های کم‌ظرفیت استفاده می‌کنند نیز امکان‌پذیر می‌کند.
اگرچه نتایج دقیق این نوع پژوهش ممکن است در زندگی روزمره ما ملموس نباشد، اما این کار در کنار سایر پژوهش‌هایی قرار دارد که هدفشان بهبود الگوریتم‌های یادگیری ماشینی برای کمک به حل مشکلات انسانی است، و نه تخریب تمدن بشری!
