Le sue prestazioni sono all’altezza dei più intelligenti matematici delle scuole superiori e sono molto più potenti del precedente sistema all’avanguardia.
Google DeepMind ha creato un sistema di intelligenza artificiale in grado di risolvere complessi problemi di geometria. Secondo gli esperti, si tratta di un passo significativo verso macchine con capacità di ragionamento più simili a quelle umane.
La geometria e, più in generale, la matematica rappresentano da tempo una sfida per i ricercatori di intelligenza artificiale. Rispetto ai modelli di IA basati sul testo, i dati di addestramento per la matematica sono molto meno numerosi, perché è basata sui simboli e ha un dominio specifico, spiega Thang Luong, coautore della ricerca, pubblicata oggi su Nature.
Risolvere i problemi matematici richiede un ragionamento logico, cosa che la maggior parte degli attuali modelli di intelligenza artificiale non è in grado di fare. Questa esigenza di ragionamento è il motivo per cui la matematica è un importante punto di riferimento per valutare i progressi dell’intelligenza artificiale, spiega Luong.
Il programma di DeepMind, denominato AlphaGeometry, combina un modello linguistico con un tipo di intelligenza artificiale chiamato motore simbolico, che utilizza simboli e regole logiche per fare deduzioni. I modelli linguistici eccellono nel riconoscere gli schemi e nel prevedere le fasi successive di un processo. Tuttavia, il loro ragionamento manca del rigore necessario per la risoluzione di problemi matematici. Il motore simbolico, invece, si basa esclusivamente sulla logica formale e su regole rigorose, che gli consentono di guidare il modello linguistico verso decisioni razionali.
Questi due approcci, responsabili rispettivamente del pensiero creativo e del ragionamento logico, lavorano insieme per risolvere problemi matematici difficili. Ciò imita da vicino il modo in cui gli esseri umani affrontano i problemi di geometria, combinando la loro comprensione esistente con la sperimentazione esplorativa.
DeepMind ha dichiarato di aver testato AlphaGeometry su 30 problemi di geometria con lo stesso livello di difficoltà delle Olimpiadi Internazionali di Matematica, una competizione per studenti di matematica delle scuole superiori. Ne ha completati 25 entro il tempo limite. Il precedente sistema all’avanguardia, sviluppato dal matematico cinese Wen-Tsün Wu nel 1978, ne ha completati solo 10.
“È un risultato davvero impressionante”, afferma Floris van Doorn, professore di matematica all’Università di Bonn, che non ha partecipato alla ricerca. “Mi aspettavo che questo risultato fosse ancora lontano molti anni”.
DeepMind afferma che questo sistema dimostra la capacità dell’intelligenza artificiale di ragionare e scoprire nuove conoscenze matematiche.
“Questo è un altro esempio che rafforza come l’IA possa aiutarci a far progredire la scienza e a comprendere meglio i processi sottostanti che determinano il funzionamento del mondo”, ha dichiarato Quoc V. Le, scienziato di Google DeepMind e uno degli autori della ricerca, durante una conferenza stampa.
Quando viene presentato un problema di geometria, AlphaGeometry tenta innanzitutto di generare una prova utilizzando il suo motore simbolico, guidato dalla logica. Se non riesce a farlo con il solo motore simbolico, il modello linguistico aggiunge un nuovo punto o una nuova linea al diagramma. In questo modo si aprono altre possibilità per il motore simbolico di continuare a cercare una prova. Questo ciclo continua, con il modello linguistico che aggiunge elementi utili e il motore simbolico che testa nuove strategie di prova, fino a quando non viene trovata una soluzione verificabile.
Per addestrare il modello linguistico di AlphaGeometry, i ricercatori hanno dovuto creare i propri dati di addestramento per compensare la scarsità di dati geometrici esistenti. Hanno generato quasi mezzo miliardo di diagrammi geometrici casuali e li hanno forniti al motore simbolico. Questo motore ha analizzato ogni diagramma e ha prodotto affermazioni sulle sue proprietà. Queste affermazioni sono state organizzate in 100 milioni di prove sintetiche per addestrare il modello linguistico.
Roman Yampolskiy, professore associato di informatica e ingegneria presso l’Università di Louisville, che non ha partecipato alla ricerca, afferma che l’abilità di AlphaGeometry mostra un significativo progresso verso una “capacità di risoluzione dei problemi più sofisticata e simile a quella umana nelle macchine”.
“Oltre alla matematica, le sue implicazioni si estendono a tutti i campi che si basano sulla risoluzione di problemi geometrici, come la visione computerizzata, l’architettura e persino la fisica teorica”, ha dichiarato Yampoliskiy in una e-mail.
Tuttavia, c’è un margine di miglioramento. Sebbene AlphaGeometry sia in grado di risolvere problemi di matematica “elementare”, non è ancora in grado di affrontare i problemi avanzati e astratti che si insegnano all’università.
“I matematici sarebbero molto interessati se l’IA potesse risolvere i problemi che si pongono nella matematica di ricerca, magari con nuove intuizioni matematiche”, ha detto van Doorn.
Luong afferma che l’obiettivo è applicare un approccio simile a campi matematici più ampi. “La geometria è solo un esempio per dimostrare che siamo vicini alla capacità dell’intelligenza artificiale di fare ragionamenti profondi”, afferma Luong.
