Périphériques technologiques
IA
Pourquoi l'intelligence artificielle pourrait révolutionner les mathématiques
Pourquoi l'intelligence artificielle pourrait révolutionner les mathématiques
Éditeur | Feuilles de chou
"Proposer une conjecture - une proposition soupçonnée d'être vraie, mais qui nécessite une preuve explicite - est comme un moment d'inspiration divine pour les mathématiciens. Les conjectures mathématiques ne sont pas seulement là. Contre-intuitivement, cependant, je Je pense qu'il s'agit du domaine le plus transformateur de l'intelligence artificielle, a déclaré Thomas Fink, directeur de l'Institut des sciences mathématiques de Londres.
En 2017, des chercheurs de l'Institut des sciences mathématiques de Londres ont commencé à appliquer l'apprentissage automatique aux données mathématiques comme passe-temps. Pendant la pandémie de COVID-19, ils ont découvert qu’un simple classificateur d’intelligence artificielle (IA) pouvait prédire le classement des courbes elliptiques, une mesure de leur complexité.
La courbe elliptique est le fondement de la théorie des nombres. Comprendre ses statistiques de base est une étape clé dans la résolution de l'un des sept problèmes du millénaire. sept puzzles majeurs sont sélectionnés par le Clay Mathematics Institute de Providence, Rhode Island, et reçoivent chacun 1 million de dollars. Rares sont ceux qui s’attendent à ce que l’intelligence artificielle joue un rôle dans ce domaine aux enjeux élevés.
L'intelligence artificielle a progressé dans d'autres domaines. Il y a quelques années, un programme informatique appelé Ramanujan Machine a produit de nouvelles formules pour des constantes fondamentales telles que π et e. Pour ce faire, il recherche de manière exhaustive les familles de fractions continues : fractions dont les dénominateurs sont un nombre plus une fraction, dont les dénominateurs sont également des fractions où un nombre plus une fraction est une fraction, et ainsi de suite. Certaines de ces conjectures ont été prouvées, tandis que d’autres restent irrésolues.
Lien papier : https://www.nature.com/articles/s41586-021-03229-4
Un autre exemple est lié à la théorie des nœuds, qui est une branche de la topologie dans laquelle on la corde s'emmêle avant que les extrémités ne collent ensemble. Les chercheurs de Google DeepMind ont formé un réseau neuronal à l'aide de données provenant de nombreux nœuds différents et ont découvert des relations inattendues entre leurs structures algébriques et géométriques.
Lien papier : https://www.nature.com/articles/s41586-021-04086-x
Comment l'intelligence artificielle peut-elle avoir un impact dans le domaine des mathématiques où la créativité humaine est considérée comme cruciale ?
Tout d’abord, il n’y a pas de hasard en mathématiques. Dans les expériences réelles, les faux négatifs et les faux positifs abondent. Mais en mathématiques, un contre-exemple renversera complètement la conjecture. Par exemple, la conjecture de Polya stipule que la plupart des entiers inférieurs à un entier donné ont un nombre impair de facteurs premiers. Mais en 1960, on découvrit que cette conjecture n’était pas vraie pour les nombres 906 180 359. La conjecture de Polya a été immédiatement réfutée.
Deuxièmement, les données mathématiques qui peuvent entraîner l'intelligence artificielle sont bon marché. Les nombres premiers, les nœuds et bien d’autres types d’objets mathématiques abondent. L'Encyclopédie en ligne des séquences entières (OEIS) contient près de 375 000 séquences, de la séquence familière de Fibonacci (1, 1, 2, 3, 5, 8, 13, ...) à la puissante séquence Busy Beaver (0, 1, 4 , 6, 13, ...), qui croît plus rapidement que n'importe quelle fonction calculable. Les scientifiques utilisent déjà des outils d’apprentissage automatique pour effectuer des recherches dans la base de données OEIS afin de découvrir des relations inattendues.
OEIS : https://oeis.org/
L'intelligence artificielle peut nous aider à découvrir des modèles et à formuler des conjectures. Mais toutes les hypothèses ne sont pas cohérentes. Ils sont également nécessaires pour améliorer notre compréhension des mathématiques. G. H. Hardy expliquait dans son article de 1940 « A Mathematician’s Apology » qu’un bon théorème « devrait faire partie intégrante de nombreuses constructions mathématiques utilisées pour prouver de nombreux types différents de théorèmes ».
En d’autres termes, les meilleurs théorèmes augmentent la probabilité d’en découvrir de nouveaux. Les conjectures qui nous aident à atteindre de nouvelles frontières mathématiques sont meilleures que celles qui fournissent moins d’informations. Mais pour les distinguer, il faut avoir une intuition sur la façon dont le domaine lui-même va se développer. Ce type de compréhension d’un contexte plus large dépassera pendant longtemps les capacités de l’intelligence artificielle, de sorte que la technologie aura du mal à repérer les suppositions importantes.
Malgré ces problèmes potentiels, l’adoption plus large des outils d’IA dans la communauté mathématique présente de nombreux avantages. L’intelligence artificielle peut apporter des avantages décisifs et ouvrir de nouvelles voies de recherche.
Les revues mathématiques grand public devraient également publier davantage de conjectures. Certains des problèmes les plus importants en mathématiques, tels que le dernier théorème de Fermat, l'hypothèse de Riemann, les 23 problèmes de Hilbert et les nombreuses identités de Ramanujan, ainsi que d'innombrables conjectures moins connues, ont façonné le développement de la direction du domaine. Les conjectures nous orientent dans la bonne direction, accélérant la recherche. Les articles de revues sur des conjectures étayées par des données ou des arguments heuristiques accéléreront la découverte.
En 2023, les chercheurs de Google DeepMind prédisent l’émergence de 2,2 millions de nouvelles structures cristallines. Mais il reste à voir combien de ces nouveaux matériaux potentiels sont stables, synthétisables et ont des applications pratiques. Actuellement, il s’agit principalement d’une tâche confiée à des chercheurs humains possédant une vaste expérience en science des matériaux.
Lien papier : https://www.nature.com/articles/s41586-023-06735-9
De même, comprendre le résultat des outils d'intelligence artificielle nécessite l'imagination et l'intuition d'un mathématicien. Par conséquent, l’IA n’agira que comme un catalyseur de la créativité humaine, et non comme un substitut.
Contenu associé : https://www.nature.com/articles/d41586-024-01413-w
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Repoussant les limites de la détection de défauts traditionnelle, « Defect Spectrum » permet pour la première fois une détection de défauts industriels d'une ultra haute précision et d'une sémantique riche.
Jul 26, 2024 pm 05:38 PM
Dans la fabrication moderne, une détection précise des défauts est non seulement la clé pour garantir la qualité des produits, mais également la clé de l’amélioration de l’efficacité de la production. Cependant, les ensembles de données de détection de défauts existants manquent souvent de précision et de richesse sémantique requises pour les applications pratiques, ce qui rend les modèles incapables d'identifier des catégories ou des emplacements de défauts spécifiques. Afin de résoudre ce problème, une équipe de recherche de premier plan composée de l'Université des sciences et technologies de Hong Kong, Guangzhou et de Simou Technology a développé de manière innovante l'ensemble de données « DefectSpectrum », qui fournit une annotation à grande échelle détaillée et sémantiquement riche des défauts industriels. Comme le montre le tableau 1, par rapport à d'autres ensembles de données industrielles, l'ensemble de données « DefectSpectrum » fournit le plus grand nombre d'annotations de défauts (5 438 échantillons de défauts) et la classification de défauts la plus détaillée (125 catégories de défauts).
Le modèle de dialogue NVIDIA ChatQA a évolué vers la version 2.0, avec la longueur du contexte mentionnée à 128 Ko
Jul 26, 2024 am 08:40 AM
La communauté ouverte LLM est une époque où une centaine de fleurs fleurissent et s'affrontent. Vous pouvez voir Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 et bien d'autres. excellents interprètes. Cependant, par rapport aux grands modèles propriétaires représentés par le GPT-4-Turbo, les modèles ouverts présentent encore des lacunes importantes dans de nombreux domaines. En plus des modèles généraux, certains modèles ouverts spécialisés dans des domaines clés ont été développés, tels que DeepSeek-Coder-V2 pour la programmation et les mathématiques, et InternVL pour les tâches de langage visuel.
Google AI a remporté la médaille d'argent de l'Olympiade mathématique de l'OMI, le modèle de raisonnement mathématique AlphaProof a été lancé et l'apprentissage par renforcement est de retour.
Jul 26, 2024 pm 02:40 PM
Pour l’IA, l’Olympiade mathématique n’est plus un problème. Jeudi, l'intelligence artificielle de Google DeepMind a réalisé un exploit : utiliser l'IA pour résoudre la vraie question de l'Olympiade mathématique internationale de cette année, l'OMI, et elle n'était qu'à un pas de remporter la médaille d'or. Le concours de l'OMI qui vient de se terminer la semaine dernière comportait six questions portant sur l'algèbre, la combinatoire, la géométrie et la théorie des nombres. Le système d'IA hybride proposé par Google a répondu correctement à quatre questions et a marqué 28 points, atteignant le niveau de la médaille d'argent. Plus tôt ce mois-ci, le professeur titulaire de l'UCLA, Terence Tao, venait de promouvoir l'Olympiade mathématique de l'IA (AIMO Progress Award) avec un prix d'un million de dollars. De manière inattendue, le niveau de résolution de problèmes d'IA s'était amélioré à ce niveau avant juillet. Posez les questions simultanément sur l'OMI. La chose la plus difficile à faire correctement est l'OMI, qui a la plus longue histoire, la plus grande échelle et la plus négative.
Formation avec des millions de données cristallines pour résoudre le problème de la phase cristallographique, la méthode d'apprentissage profond PhAI est publiée dans Science
Aug 08, 2024 pm 09:22 PM
Editeur | KX À ce jour, les détails structurels et la précision déterminés par cristallographie, des métaux simples aux grandes protéines membranaires, sont inégalés par aucune autre méthode. Cependant, le plus grand défi, appelé problème de phase, reste la récupération des informations de phase à partir d'amplitudes déterminées expérimentalement. Des chercheurs de l'Université de Copenhague au Danemark ont développé une méthode d'apprentissage en profondeur appelée PhAI pour résoudre les problèmes de phase cristalline. Un réseau neuronal d'apprentissage en profondeur formé à l'aide de millions de structures cristallines artificielles et de leurs données de diffraction synthétique correspondantes peut générer des cartes précises de densité électronique. L'étude montre que cette méthode de solution structurelle ab initio basée sur l'apprentissage profond peut résoudre le problème de phase avec une résolution de seulement 2 Angströms, ce qui équivaut à seulement 10 à 20 % des données disponibles à la résolution atomique, alors que le calcul ab initio traditionnel
Le point de vue de la nature : les tests de l'intelligence artificielle en médecine sont dans le chaos. Que faut-il faire ?
Aug 22, 2024 pm 04:37 PM
Editeur | ScienceAI Sur la base de données cliniques limitées, des centaines d'algorithmes médicaux ont été approuvés. Les scientifiques se demandent qui devrait tester les outils et comment le faire au mieux. Devin Singh a vu un patient pédiatrique aux urgences subir un arrêt cardiaque alors qu'il attendait un traitement pendant une longue période, ce qui l'a incité à explorer l'application de l'IA pour réduire les temps d'attente. À l’aide des données de triage des salles d’urgence de SickKids, Singh et ses collègues ont construit une série de modèles d’IA pour fournir des diagnostics potentiels et recommander des tests. Une étude a montré que ces modèles peuvent accélérer les visites chez le médecin de 22,3 %, accélérant ainsi le traitement des résultats de près de 3 heures par patient nécessitant un examen médical. Cependant, le succès des algorithmes d’intelligence artificielle dans la recherche ne fait que le vérifier.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
PRO | Pourquoi les grands modèles basés sur le MoE méritent-ils davantage d'attention ?
Aug 07, 2024 pm 07:08 PM
En 2023, presque tous les domaines de l’IA évoluent à une vitesse sans précédent. Dans le même temps, l’IA repousse constamment les limites technologiques de domaines clés tels que l’intelligence embarquée et la conduite autonome. Sous la tendance multimodale, le statut de Transformer en tant qu'architecture dominante des grands modèles d'IA sera-t-il ébranlé ? Pourquoi l'exploration de grands modèles basés sur l'architecture MoE (Mixture of Experts) est-elle devenue une nouvelle tendance dans l'industrie ? Les modèles de grande vision (LVM) peuvent-ils constituer une nouvelle avancée dans la vision générale ? ...Dans la newsletter des membres PRO 2023 de ce site publiée au cours des six derniers mois, nous avons sélectionné 10 interprétations spéciales qui fournissent une analyse approfondie des tendances technologiques et des changements industriels dans les domaines ci-dessus pour vous aider à atteindre vos objectifs dans le nouveau année. Cette interprétation provient de la Week50 2023
Identifiez automatiquement les meilleures molécules et réduisez les coûts de synthèse. Le MIT développe un cadre d'algorithme de prise de décision en matière de conception moléculaire.
Jun 22, 2024 am 06:43 AM
Éditeur | L’utilisation de Ziluo AI pour rationaliser la découverte de médicaments explose. Ciblez des milliards de molécules candidates pour détecter celles qui pourraient posséder les propriétés nécessaires au développement de nouveaux médicaments. Il y a tellement de variables à prendre en compte, depuis le prix des matériaux jusqu’au risque d’erreur, qu’évaluer les coûts de synthèse des meilleures molécules candidates n’est pas une tâche facile, même si les scientifiques utilisent l’IA. Ici, les chercheurs du MIT ont développé SPARROW, un cadre d'algorithme de prise de décision quantitative, pour identifier automatiquement les meilleurs candidats moléculaires, minimisant ainsi les coûts de synthèse tout en maximisant la probabilité que les candidats possèdent les propriétés souhaitées. L’algorithme a également identifié les matériaux et les étapes expérimentales nécessaires à la synthèse de ces molécules. SPARROW prend en compte le coût de synthèse d'un lot de molécules à la fois, puisque plusieurs molécules candidates sont souvent disponibles
