기술 주변기기 일체 포함 최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다

최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다

Apr 09, 2023 pm 03:51 PM
모델 연구

최근 PNAS에 새로운 연구가 발표되었는데, 이는 다시 한번 신경망의 기능을 새롭게 개선했습니다. 이번에는 신경망을 이용하여 고급 수학 문제를 풀었는데, MIT 수학 과정에서 어려운 수학 문제들이었습니다!

이번 새로운 연구에서 연구팀은 OpenAI의 Codex 모델이 프로그램 합성을 수행하여 대규모 수학 문제를 해결할 수 있음을 입증했으며, 소규모 샘플 학습을 통해 데이터 세트의 수학 강좌 문제 중 81%를 자동으로 해결할 수 있음을 입증했으며, Codex 이러한 작업에 대한 성능은 인간 수준에 도달합니다.

최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다

원본 링크: https://www.pnas.org/doi/10.1073/pnas.2123433119

이 연구의 출현은 신경망이 고급 수학 합의를 해결할 수 없다는 일반적인 믿음을 뒤집습니다. 문제에. 연구진은 코덱스가 이런 능력을 발휘할 수 있었던 이유가 바로 팀이 대대적인 혁신을 이뤘기 때문이라고 지적했다. 그동안 실패한 연구들은 텍스트 기반의 사전 훈련만 사용했고, 이번에 등장한 코덱스 신경망은 그렇지 않았다. 텍스트를 기반으로 Pre-training만 하고, 코드도 미세 조정합니다.

연구된 문제 데이터 세트는 MIT의 6개 수학 과정과 Columbia University의 1개 수학 과정에서 선택되었습니다. MIT의 단일 변수 미적분, 다변수 미적분, 미분 미적분 방정식, 확률 입문 및 7개 과정에서 25개의 문제가 무작위로 선택되었습니다. 컬럼비아 대학교에서 통계, 선형 대수학, 컴퓨터 과학을 위한 수학, COMS3251 전산 선형 대수학을 전공했습니다.

동시에 연구팀은 수학적 추론을 평가하는 데 사용되는 최신 고급 수학 문제 벤치마크인 MATH를 사용하여 OpenAI Codex의 능력을 테스트했습니다. MATH는 초등 대수학, 대수학, 계산 및 확률의 6가지 주요 수학 섹션을 다룹니다. , 중급 수준에는 대수학, 정수론, 기초 미적분학이 각각 15문제씩 있습니다.

최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다

캡션: 연구에 사용된 코스 문제 데이터세트 및 MATH 벤치마크

연구에 따르면 Codex는 질문 데이터세트 및 MATH 데이터세트의 265개 문제 중 213개를 자동으로 해결한 것으로 나타났습니다.

1 혁신은 어디에 있습니까

Transformer 출시 이후 Transformer 기반 언어 모델은 제로샷 및 퓨샷 언어 작업을 포함한 다양한 자연어 처리(NLP) 작업에서 큰 성공을 거두었습니다. 그러나 Transformer는 텍스트에 대해서만 사전 훈련되었기 때문에 이러한 모델은 기본적으로 수학적 문제를 해결할 수 없습니다. GPT-3가 전형적인 예입니다.

나중에 퓨샷 학습과 CoT(사고 연쇄) 프롬프트를 통해 GPT-3의 수학적 추론 능력은 코드 없이도 향상되었습니다. 스몰샷 학습과 CoT 힌트를 사용해도 GPT-3는 대학 수준의 수학 문제와 MATH 벤치마크에는 여전히 무력합니다.

수학적 문제 해결에 대한 과거의 연구는 상대적으로 단순한 수학적 수준에서 특정 결과를 달성했을 수도 있습니다. 예를 들어 MAWPS 및 Math23k와 같은 공동 훈련 결과를 기반으로 표현식 트리를 검증하거나 예측하는 기술은 초등학교 수준의 수학 문제를 81% 이상의 정확도로 해결할 수 있지만 고등학교, 올림피아드 수학 또는 대학 수준의 문제는 해결할 수 없습니다. 수학 문제. 산술 표현식 트리를 예측하기 위해 그래프 신경망(GNN)과 결합된 공동 훈련을 통해 최대 95%의 정확도로 기계 학습의 대학 수준 문제를 해결할 수 있습니다. 그러나 이 작업 역시 수치적 답변에 국한되어 과적합이 발생하여 다른 강좌로 일반화할 수 없었습니다.

이 작업의 가장 큰 혁신 중 하나는 Codex와 같은 Transformer 모델이 텍스트에 대해 사전 학습되었을 뿐만 아니라 코드에 대해서도 미세 조정되어 수학 문제에 대한 대규모 솔루션을 생성할 수 있다는 것입니다. 문제 프로그램.

최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다

연구팀은 테스트를 위해 입력 이미지나 증명이 필요하지 않은 데이터 세트에서 무작위로 질문 샘플을 선택했습니다. 그 중 텍스트로만 사전 학습된 언어 모델(GPT-3 text-davinci-002)은 강좌 문제의 18%, MATH 벤치마크 문제의 25.5%만을 자동으로 해결했습니다.

반면, 제로샷 학습과 텍스트로 사전 훈련되고 코드로 미세 조정된 신경망(OpenAI Codex code-davinci-002)을 사용하여 합성된 프로그램은 강좌 문제의 71%, 문제의 72.2%를 자동으로 해결할 수 있습니다. 수학 벤치마크 질문입니다.

동일한 신경망 Codex와 퓨샷 학습을 사용하여 강좌 문제의 81%, MATH 벤치마크 테스트 문제의 81.1%를 자동으로 풀 수 있습니다. 그러나 나머지 모델이 자동으로 풀 수 없었던 강좌 문제의 19%와 MATH 벤치마크 문제의 18.9%가 최종적으로 수동 프롬프트를 통해 해결되었습니다.

소표본 학습법의 추가는 이 연구의 두 번째 주요 혁신입니다. 위 그림에서 볼 수 있듯이, 제로샷 학습이 질문에 답할 수 없는 경우 (질문, 코드) 쌍(쌍)을 사용하여 스몰샷 학습을 수행하게 됩니다.

1) OpenAI의 텍스트-유사성 활용- Babbage-001 내장 엔진은 모든 질문을 내장합니다.

2) 내장 코사인 유사성을 사용하여 코스에서 가장 유사한 해결 질문을 계산합니다.

3) 가장 유사한 질문을 해당 코드와 결합합니다. 작은 샘플 문제의 예.

최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다

그림 참고: 4가지 방법의 자동 문제 해결률 비교

위 그림은 Codex의 제로샷 학습, 스몰샷 학습과 GPT-3의 제로샷 학습 및 스몰샷 학습입니다. 4가지 방법의 자동 문제 해결률 비교. 주황색 막대로 표시되는 Small Sample 학습 Codex는 자동 문제 해결 속도에서 우수한 성능을 가지며, 기본적으로 모든 수학 분야에서 다른 세 가지 방법보다 성능이 뛰어남을 그림에서 알 수 있습니다.

이 연구의 세 번째 주요 혁신은 수학적 문제를 해결하기 위한 파이프라인을 제공하고 그 솔루션이 왜 그런지 설명하는 것입니다. 다음 그림은 MIT의 5개 수학 과정에서 파이프라인의 실행 흐름을 보여줍니다.

최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다

18.01 단일 변수 미적분 문제를 예로 들면, 문제와 자동으로 생성된 접두사 "Use SymPy"가 주어지면 Codex가 프롬프트되고 프로그램이 출력됩니다. 프로그램을 실행하면 정답이 있는 방정식이 생성됩니다. 그런 다음 프로그램은 자동으로 Codex를 다시 묻는 메시지를 표시하여 코드 설명이 생성됩니다.

2 문제 해결 후

수학 문제를 풀고 답을 설명하는 것 외에도 Codex는 각 코스마다 새로운 질문을 생성하는 데에도 사용됩니다.

생성된 질문의 수준을 평가하기 위해 팀에서는 이러한 강좌 또는 동일한 수준의 강좌에 참여한 MIT 학생들을 대상으로 설문조사를 실시했습니다. 주로 기계로 생성된 질문과 수동으로 작성한 질문의 품질과 난이도를 비교했습니다. 질문.

MIT의 6개 코스 각각에는 필기 질문 5개와 모델 생성 질문 5개가 혼합되어 무작위로 제시됩니다. 60개의 질문 각각에 대해 참여 학생들은 3개의 설문조사 질문에 답하도록 요청 받았습니다:

1) 이 질문이 사람이 작성한 것이라고 생각하십니까, 아니면 기계가 생성한 것이라고 생각하십니까?

2) 이 질문이 특정 강좌에 적합하다고 생각하시나요? 부적절하다고 생각하시나요?

3 ) 1(가장 쉬움)과 5(가장 어려움) 척도에서 이 질문의 난이도를 어떻게 평가하시겠습니까?

최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다

반납된 설문지에는 학생 설문조사 결과가 다음과 같이 요약되어 있습니다.

  • 기계 문제와 사람이 작성한 문제의 난이도는 비슷합니다.
  • 기계로 만든 질문보다 사람이 작성한 질문이 과정에 더 적합합니다.
  • 사람이 작성한 답변은 잘못 식별하기 어려운 반면, 기계 생성 질문은 학생들이 기계 생성 또는 사람이 작성한 것으로 간주합니다.

기계로 생성된 질문은 학생들이 구별할 수 없게 되었으며, 이는 Codex가 새로운 콘텐츠를 생성하는 데 있어서 인간의 성과 수준에 도달했음을 나타냅니다.

그러나 모델이 해결할 수 없는 문제도 있습니다. 예를 들어 이미지나 기타 비텍스트 형식으로 나타나는 경우 답할 수 없는 문제, 증명해야 하는 해법이 있는 문제, 계산적으로 어려운 문제 등이 있습니다. 예를 들어, 매우 큰 소수를 분해하는 것은 이 모델로 해결할 수 없습니다. 그러나 이 마지막 유형의 질문은 실제 학생들도 답할 수 없기 때문에 어떤 수학 수업에도 나타나서는 안 됩니다.

위 내용은 최신 PNAS 연구: 문제 해결률 81%, 신경망 Codex가 고급 수학 세계의 문을 열다의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

인기 기사

R.E.P.O. 에너지 결정과 그들이하는 일 (노란색 크리스탈)
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 최고의 그래픽 설정
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 아무도들을 수없는 경우 오디오를 수정하는 방법
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25 : Myrise에서 모든 것을 잠금 해제하는 방법
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌

뜨거운 도구

메모장++7.3.1

메모장++7.3.1

사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전

SublimeText3 중국어 버전

중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기

스튜디오 13.0.1 보내기

강력한 PHP 통합 개발 환경

드림위버 CS6

드림위버 CS6

시각적 웹 개발 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

세계에서 가장 강력한 오픈 소스 MoE 모델이 여기에 있습니다. 중국의 기능은 GPT-4와 비슷하며 가격은 GPT-4-Turbo의 거의 1%에 불과합니다. 세계에서 가장 강력한 오픈 소스 MoE 모델이 여기에 있습니다. 중국의 기능은 GPT-4와 비슷하며 가격은 GPT-4-Turbo의 거의 1%에 불과합니다. May 07, 2024 pm 04:13 PM

기존 컴퓨팅을 능가할 뿐만 아니라 더 낮은 비용으로 더 효율적인 성능을 달성하는 인공 지능 모델을 상상해 보세요. 이것은 공상과학 소설이 아닙니다. DeepSeek-V2[1], 세계에서 가장 강력한 오픈 소스 MoE 모델이 여기에 있습니다. DeepSeek-V2는 경제적인 훈련과 효율적인 추론이라는 특징을 지닌 전문가(MoE) 언어 모델의 강력한 혼합입니다. 이는 236B 매개변수로 구성되며, 그 중 21B는 각 마커를 활성화하는 데 사용됩니다. DeepSeek67B와 비교하여 DeepSeek-V2는 더 강력한 성능을 제공하는 동시에 훈련 비용을 42.5% 절감하고 KV 캐시를 93.3% 줄이며 최대 생성 처리량을 5.76배로 늘립니다. DeepSeek은 일반 인공지능을 연구하는 회사입니다.

안녕하세요, 일렉트릭 아틀라스입니다! 보스턴 다이나믹스 로봇 부활, 180도 이상한 움직임에 겁먹은 머스크 안녕하세요, 일렉트릭 아틀라스입니다! 보스턴 다이나믹스 로봇 부활, 180도 이상한 움직임에 겁먹은 머스크 Apr 18, 2024 pm 07:58 PM

Boston Dynamics Atlas가 공식적으로 전기 로봇 시대에 돌입했습니다! 어제 유압식 Atlas가 역사의 무대에서 "눈물을 흘리며" 물러났습니다. 오늘 Boston Dynamics는 전기식 Atlas가 작동 중이라고 발표했습니다. 상업용 휴머노이드 로봇 분야에서는 보스턴 다이내믹스가 테슬라와 경쟁하겠다는 각오를 다진 것으로 보인다. 새 영상은 공개된 지 10시간 만에 이미 100만 명이 넘는 조회수를 기록했다. 옛 사람들은 떠나고 새로운 역할이 등장하는 것은 역사적 필연이다. 올해가 휴머노이드 로봇의 폭발적인 해라는 것은 의심의 여지가 없습니다. 네티즌들은 “로봇의 발전으로 올해 개막식도 인간처럼 생겼고, 자유도도 인간보다 훨씬 크다. 그런데 정말 공포영화가 아닌가?”라는 반응을 보였다. 영상 시작 부분에서 아틀라스는 바닥에 등을 대고 가만히 누워 있는 모습입니다. 다음은 입이 떡 벌어지는 내용이다

MLP를 대체하는 KAN은 오픈소스 프로젝트를 통해 컨볼루션으로 확장되었습니다. MLP를 대체하는 KAN은 오픈소스 프로젝트를 통해 컨볼루션으로 확장되었습니다. Jun 01, 2024 pm 10:03 PM

이달 초 MIT와 기타 기관의 연구자들은 MLP에 대한 매우 유망한 대안인 KAN을 제안했습니다. KAN은 정확성과 해석성 측면에서 MLP보다 뛰어납니다. 그리고 매우 적은 수의 매개변수로 더 많은 수의 매개변수를 사용하여 실행되는 MLP보다 성능이 뛰어날 수 있습니다. 예를 들어 저자는 KAN을 사용하여 더 작은 네트워크와 더 높은 수준의 자동화로 DeepMind의 결과를 재현했다고 밝혔습니다. 구체적으로 DeepMind의 MLP에는 약 300,000개의 매개변수가 있는 반면 KAN에는 약 200개의 매개변수만 있습니다. KAN은 MLP와 같이 강력한 수학적 기반을 가지고 있으며, KAN은 Kolmogorov-Arnold 표현 정리를 기반으로 합니다. 아래 그림과 같이 KAN은

AI가 수학적 연구를 전복시킨다! 필즈상 수상자이자 중국계 미국인 수학자, Terence Tao가 좋아하는 11개 논문 발표 | AI가 수학적 연구를 전복시킨다! 필즈상 수상자이자 중국계 미국인 수학자, Terence Tao가 좋아하는 11개 논문 발표 | Apr 09, 2024 am 11:52 AM

AI는 실제로 수학을 변화시키고 있습니다. 최근 이 문제에 주목하고 있는 타오저쉬안(Tao Zhexuan)은 '미국수학회지(Bulletin of the American Mathematical Society)' 최신호를 게재했다. '기계가 수학을 바꿀 것인가?'라는 주제를 중심으로 많은 수학자들이 그들의 의견을 표현했습니다. 저자는 필즈상 수상자 Akshay Venkatesh, 중국 수학자 Zheng Lejun, 뉴욕대학교 컴퓨터 과학자 Ernest Davis 등 업계의 유명 학자들을 포함해 강력한 라인업을 보유하고 있습니다. AI의 세계는 극적으로 변했습니다. 이 기사 중 상당수는 1년 전에 제출되었습니다.

Google은 열광하고 있습니다. JAX 성능이 Pytorch와 TensorFlow를 능가합니다! GPU 추론 훈련을 위한 가장 빠른 선택이 될 수 있습니다. Google은 열광하고 있습니다. JAX 성능이 Pytorch와 TensorFlow를 능가합니다! GPU 추론 훈련을 위한 가장 빠른 선택이 될 수 있습니다. Apr 01, 2024 pm 07:46 PM

Google이 추진하는 JAX의 성능은 최근 벤치마크 테스트에서 Pytorch와 TensorFlow를 능가하여 7개 지표에서 1위를 차지했습니다. 그리고 JAX 성능이 가장 좋은 TPU에서는 테스트가 이루어지지 않았습니다. 개발자들 사이에서는 여전히 Tensorflow보다 Pytorch가 더 인기가 있습니다. 그러나 앞으로는 더 큰 모델이 JAX 플랫폼을 기반으로 훈련되고 실행될 것입니다. 모델 최근 Keras 팀은 기본 PyTorch 구현을 사용하여 세 가지 백엔드(TensorFlow, JAX, PyTorch)와 TensorFlow를 사용하는 Keras2를 벤치마킹했습니다. 첫째, 그들은 주류 세트를 선택합니다.

공장에서 일하는 테슬라 로봇, 머스크 : 올해 손의 자유도가 22도에 달할 것! 공장에서 일하는 테슬라 로봇, 머스크 : 올해 손의 자유도가 22도에 달할 것! May 06, 2024 pm 04:13 PM

테슬라의 로봇 옵티머스(Optimus)의 최신 영상이 공개됐는데, 이미 공장에서 작동이 가능한 상태다. 정상 속도에서는 배터리(테슬라의 4680 배터리)를 다음과 같이 분류합니다. 공식은 또한 20배 속도로 보이는 모습을 공개했습니다. 작은 "워크스테이션"에서 따고 따고 따고 : 이번에 출시됩니다. 영상에는 옵티머스가 공장에서 이 작업을 전 과정에 걸쳐 사람의 개입 없이 완전히 자율적으로 완료하는 모습이 담겨 있습니다. 그리고 Optimus의 관점에서 보면 자동 오류 수정에 중점을 두고 구부러진 배터리를 집어 넣을 수도 있습니다. NVIDIA 과학자 Jim Fan은 Optimus의 손에 대해 높은 평가를 했습니다. Optimus의 손은 세계의 다섯 손가락 로봇 중 하나입니다. 가장 능숙합니다. 손은 촉각적일 뿐만 아니라

DualBEV: BEVFormer 및 BEVDet4D를 크게 능가하는 책을 펼치세요! DualBEV: BEVFormer 및 BEVDet4D를 크게 능가하는 책을 펼치세요! Mar 21, 2024 pm 05:21 PM

본 논문에서는 자율 주행에서 다양한 시야각(예: 원근 및 조감도)에서 객체를 정확하게 감지하는 문제, 특히 원근(PV) 공간에서 조감(BEV) 공간으로 기능을 효과적으로 변환하는 방법을 탐구합니다. VT(Visual Transformation) 모듈을 통해 구현됩니다. 기존 방법은 크게 2D에서 3D로, 3D에서 2D로 변환하는 두 가지 전략으로 나뉩니다. 2D에서 3D로의 방법은 깊이 확률을 예측하여 조밀한 2D 특징을 개선하지만, 특히 먼 영역에서는 깊이 예측의 본질적인 불확실성으로 인해 부정확성이 발생할 수 있습니다. 3D에서 2D로의 방법은 일반적으로 3D 쿼리를 사용하여 2D 기능을 샘플링하고 Transformer를 통해 3D와 2D 기능 간의 대응에 대한 주의 가중치를 학습하므로 계산 및 배포 시간이 늘어납니다.

FisheyeDetNet: 어안 카메라를 기반으로 한 최초의 표적 탐지 알고리즘 FisheyeDetNet: 어안 카메라를 기반으로 한 최초의 표적 탐지 알고리즘 Apr 26, 2024 am 11:37 AM

표적 탐지는 자율주행 시스템에서 상대적으로 성숙한 문제이며, 그 중 보행자 탐지는 가장 먼저 배포되는 알고리즘 중 하나입니다. 대부분의 논문에서 매우 포괄적인 연구가 수행되었습니다. 그러나 서라운드 뷰를 위한 어안 카메라를 사용한 거리 인식은 상대적으로 덜 연구되었습니다. 큰 방사형 왜곡으로 인해 표준 경계 상자 표현은 어안 카메라에서 구현하기 어렵습니다. 위의 설명을 완화하기 위해 확장된 경계 상자, 타원 및 일반 다각형 디자인을 극/각 표현으로 탐색하고 인스턴스 분할 mIOU 메트릭을 정의하여 이러한 표현을 분석합니다. 제안된 다각형 형태의 모델 fisheyeDetNet은 다른 모델보다 성능이 뛰어나며 동시에 자율 주행을 위한 Valeo fisheye 카메라 데이터 세트에서 49.5% mAP를 달성합니다.

See all articles