O sistema de IA do Google DeepMind resolve problemas de geometria como um atleta olímpico de matemática

Um novo sistema de inteligência artificial desenvolvido pelo Google DeepMind, um dos principais laboratórios de IA do mundo, pode resolver problemas complexos de geometria em um nível comparável ao de um humano medalhista de ouro na Olimpíada Internacional de Matemática (IMO), uma competição de prestígio para estudantes do ensino médio.

O sistema, denominado AlphaGeometry, combina duas abordagens diferentes: um modelo de linguagem neural que gera ideias intuitivas e um mecanismo de dedução simbólica que as verifica usando lógica e regras formais. O modelo de linguagem é baseado na mesma tecnologia que alimenta o mecanismo de busca do Google e os sistemas de compreensão de linguagem natural. O mecanismo de dedução é inspirado em um método desenvolvido pelo matemático chinês Wen-Tsün Wu em 1978.

Os pesquisadores testaram o AlphaGeometry em 30 problemas de geometria da IMO, que são considerados desafiadores até mesmo para matemáticos experientes. O sistema resolveu 25 problemas dentro do prazo padrão de 4,5 horas, igualando a pontuação média dos medalhistas de ouro humanos nos mesmos problemas. O melhor sistema anterior, baseado no método de Wu, resolveu apenas 10 problemas.

Os resultados, publicados hoje na Nature, mostram que a IA pode raciocinar logicamente e descobrir novos conhecimentos matemáticos.

A matemática, e a geometria em particular, têm sido um desafio de longa data para os investigadores de IA, porque exigem criatividade e rigidez. Ao contrário dos modelos de IA baseados em texto, que podem ser treinados em grandes quantidades de dados da web, há relativamente poucos dados disponíveis para matemática, que é mais simbólica e específica de domínio. Além disso, resolver problemas matemáticos requer raciocínio lógico, algo em que a maioria dos modelos atuais de IA não são muito bons.

Para superar esses desafios, os pesquisadores desenvolveram uma nova abordagem neuro-simbólica que aproveita os pontos fortes das redes neurais e dos sistemas simbólicos. As redes neurais são boas para reconhecer padrões e prever os próximos passos, mas muitas vezes cometem erros ou carecem de explicações. Os sistemas simbólicos, por outro lado, baseiam-se em lógica formal e regras estritas, que lhes permitem corrigir e justificar as decisões da rede neural.

Os pesquisadores compararam sua abordagem à ideia de “pensar rápido e devagar”, popularizada pelo ganhador do Nobel Daniel Kahneman. Um sistema fornece ideias rápidas e “intuitivas” e o outro, uma tomada de decisões mais deliberada e racional. Esses dois sistemas, responsáveis ​​pelo pensamento criativo e pelo raciocínio lógico respectivamente, trabalham juntos para resolver problemas matemáticos difíceis.

Os pesquisadores também mostraram que o AlphaGeometry pode generalizar para problemas invisíveis e descobrir novos teoremas que não são explicitamente declarados na definição do problema. Por exemplo, o sistema foi capaz de provar um teorema sobre a bissetriz do ângulo de um triângulo, que não foi dado como premissa ou objetivo no problema.

Os pesquisadores esperam que seu sistema, de código aberto, inspire novas pesquisas e aplicações em matemática, ciências e IA. Eles também reconhecem as limitações e desafios do seu trabalho, tais como a necessidade de provas mais legíveis por humanos, a escalabilidade para problemas mais complexos e as implicações éticas dos sistemas de IA em matemática.

Embora a AlphaGeometry esteja atualmente limitada a provas de geometria, os investigadores acreditam que a sua metodologia de dados sintéticos pode permitir que o raciocínio da IA ​​floresça em áreas da matemática e das ciências onde os dados de formação gerados por humanos são escassos. Ao automatizar a descoberta e verificação de novos conhecimentos, a aprendizagem automática poderá em breve acelerar a compreensão humana em muitas disciplinas.