AlphaEvolve on osoittanut, että koneet voivat osallistua perustutkimukseen.
Google DeepMind esitteli AlphaEvolve-järjestelmän, joka käyttää suuria kielimalleja uusien kombinatoristen rakenteiden etsimiseen ja testaamiseen. Nämä rakenteet mahdollistavat tutkimuksen edistämisen teoreettisen tietojenkäsittelyn alalla, erityisesti likimääräisten laskelmien monimutkaisuuden osalta.
Tutkijat huomauttavat, että nykyaikaiset kielimallit ovat jo osoittaneet vahvoja tuloksia matematiikassa ja ohjelmoinnissa, mutta ne eivät ole vielä juurikaan osallistuneet uusien teoreemien löytämiseen. Tärkein ongelma tässä on absoluuttinen oikeellisuus, joka on välttämätöntä matematiikassa. Jokainen väite on joko todistettava muodollisesti tai tarkistettava asiantuntijan toimesta.
Artikkelissa ”Reinforced Generation of Combinatorial Structures: Applications to Complexity Theory” kirjoittajat kuvaavat, kuinka AlphaEvolve auttaa löytämään uusia rakenteita, jotka sitten tarkistetaan automaattisesti tietokoneella. Järjestelmä toimii evoluution periaatteella: se tuottaa joukon ohjelmistofragmentteja, valitsee niistä parhaat ja parantaa niitä asteittain. Tällainen lähestymistapa on mahdollistanut edistymisen kahdella alueella – MAX-4-CUT-tehtävässä ja satunnaisten graafien ominaisuuksien tutkimuksessa.
MAX-4-CUT-tehtävän osalta oli aiemmin tiedossa, että sitä ei voida ratkaista paremmin kuin kertoimella 0,9883. AlphaEvolve löysi uuden niin sanotun ”gadgetin” – erityisen rakenteen, jossa on 19 muuttujaa ja monimutkainen painojärjestelmä. Tämä mahdollisti tuloksen parantamisen arvoon 0,987. Lähentymisteorian alalla tällaiset askeleet katsotaan merkittäväksi saavutukseksi, koska jokainen uusi este on vaikea ylittää.
Lisäksi järjestelmä tutki satunnaisten graafien tehtävien keskimääräistä monimutkaisuutta, jossa Ramanujanin graafit ovat avainasemassa. AlphaEvolve pystyi löytämään tällaisia graafeja sadoille solmuille – huomattavasti enemmän kuin aiemmin oli onnistuttu. Tämä auttoi tarkentamaan laskennallisen vaikeuden rajoja ja lähentämään ala- ja yläarvioita lähes toisiinsa.
Työn tärkein piirre on, että kaikki löydetyt rakenteet tarkistettiin oikeellisuuden osalta, eikä vain nopeutetuilla menetelmillä, vaan myös alkuperäisellä ”karkealla” algoritmilla. Tämä takasi tulosten luotettavuuden.
Tekijät korostavat, että kyse ei ole vielä siitä, että tekoäly kykenisi itsenäisesti todistamaan uusia teoreemoja. Mutta jo nyt tällaiset järjestelmät kykenevät luomaan todisteiden elementtejä, jotka sitten ”nousevat” yleisempiin universaaleihin tuloksiin. Tulevaisuudessa keskeiseksi ongelmaksi nousee juuri oikeellisuuden tarkistaminen, koska laskennan määrä kasvaa tehtävien monimutkaisuuden myötä.
