Google DeepMind 公佈的「FunSearch」訓練法：讓 AI 模型能夠解決複雜離散數學問題

12 月15 日訊息，GoogleDeepMind 日前公佈了一種名為“FunSearch”的模型訓練法，號稱能夠計算包含“上限級問題”、“裝箱問題”在內的一系列「涉及數學、電腦科學領域的複雜問題」。

需要進行改寫的內容是：▲ 圖表來源：GoogleDeepMind（以下簡稱DeepMind）

據悉，FunSearch 模型訓練法主要為 AI 模型引入了一個“評估器（Evaluator）”系統，AI 模型輸出一系列“創意解題方法”，“評估器”則負責評判模型輸出的解題辦法，反复迭代後，就能訓練出數學能力較強的 AI 模型。

Google的DeepMind使用PaLM 2模型進行測試，並建立了一個專用的“代碼池”，用程式碼的形式輸入一系列問題，設定了評估器流程。之後，模型會自動從程式碼池中挑選問題，在每次迭代中產生“具有創造性的新解法”，並提交給評估器進行評估。其中，「最佳解法」將重新加入到程式碼池中，開始另一輪迭代

本站注意到，FunSearch 訓練法對「離散數學（Combinatorics）」特別擅長，經訓練法鍛鍊後的模型，可以輕鬆解決極值組合數學問題，研究人員在新聞稿中便介紹了模型計算「上限級問題（數學中涉及計數和排列領域的一個中心問題）」的過程方法。

而且，研究團隊也利用FunSearch訓練技術成功解決了「裝箱問題（Bin Packing Problem）」。這個問題是指如何用最少的容器來裝下不同大小的物品。 FunSearch提供了一種即時解決方案，並產生了一個程序，可以根據物品的實際體積自動進行調整

#研究人員提到，與其他利用神經網路進行學習的AI 訓練法相比，經過FunSearch 訓練法鍛鍊後的模型，輸出的程式碼更易於檢查與部署，也就代表更容易被整合到實際工業環境中。

以上是Google DeepMind 公佈的「FunSearch」訓練法：讓 AI 模型能夠解決複雜離散數學問題的詳細內容。更多資訊請關注PHP中文網其他相關文章！