Google DeepMind يتفوق على الفائزين بالميداليات الذهبية في الأولمبياد الدولي للرياضيات
تاريخ النشر: 9th, February 2025 GMT
أحرز نظام ذكاء اصطناعي طورته Google DeepMind تقدمًا غير مسبوق في حل مسائل الهندسة، متجاوزًا متوسط أداء الفائزين بالميداليات الذهبية في الأولمبياد الدولي للرياضيات (IMO).
النظام، الذي يحمل اسم AlphaGeometry2، يُعتبر نسخة محسنة من AlphaGeometry الذي كشفت عنه DeepMind العام الماضي.
ووفقًا لدراسة حديثة، نجح هذا الذكاء الاصطناعي في حل 84% من مسائل الهندسة التي طُرحت في الأولمبياد خلال الـ 25 عامًا الماضية.
ترى DeepMind أن تطوير طرق جديدة لحل مسائل الهندسة الإقليدية يمكن أن يكون مفتاحًا لصناعة ذكاء اصطناعي أكثر تقدمًا.
حل المسائل الرياضية وإثبات النظريات يتطلبان المنطق والاستدلال، وهي مهارات يمكن أن تساعد في بناء أنظمة ذكاء اصطناعي أكثر قدرة على التفكير وحل المشكلات المعقدة في المستقبل.
وفي صيف 2024، جربت DeepMind نموذجًا يجمع بين AlphaGeometry2 ونظام آخر يسمى AlphaProof، متخصص في الاستدلال الرياضي، وتمكن النموذج المشترك من حل 4 من أصل 6 مسائل في مسابقة IMO لعام 2024، مما يفتح الباب أمام تطبيقات أوسع في الرياضيات والهندسة والعلوم الأخرى.
كيف يعمل AlphaGeometry2؟يعتمد AlphaGeometry2 على نموذج لغة من عائلة Gemini إلى جانب محرك رمزي (Symbolic Engine).
ويتنبأ نموذج Gemini بالعناصر الهندسية التي يمكن إضافتها إلى المسألة (مثل النقاط أو الخطوط أو الدوائر).
يستخدم المحرك الرمزي قواعد رياضية للاستدلال على الحلول وتقديم براهين رياضية متسقة.
و تسمح خوارزمية بحث متقدمة بإجراء عمليات بحث متعددة عن الحلول في وقت واحد وتخزين النتائج المحتملة.
يتم اعتبار المسألة "محلولة" عندما يتمكن النظام من إيجاد برهان رياضي يجمع بين اقتراحات نموذج Gemini والقواعد الرياضية في المحرك الرمزي.
تحديات تدريب الذكاء الاصطناعي على الهندسةنظرًا لندرة البيانات الهندسية المناسبة لتدريب الذكاء الاصطناعي، قامت DeepMind بتوليد 300 مليون مسألة رياضية وبراهين بدرجات متفاوتة من التعقيد لاستخدامها في تدريب النموذج.
في الاختبارات، حل AlphaGeometry2 42 من أصل 50 مسألة من المسائل التي طُرحت في الأولمبياد الدولي للرياضيات بين عامي 2000 و2024، متفوقًا على متوسط أداء الفائزين بالميداليات الذهبية البالغ 40.9 مسألة.
ومع ذلك، عندما تم اختبار النظام على 29 مسألة أصعب (لم تُستخدم سابقًا في المسابقة ولكن رشحها خبراء الرياضيات)، نجح فقط في حل 20 منها، مما يكشف عن بعض قيوده.
صراع المناهج: الشبكات العصبية مقابل الأنظمة الرمزيةيستخدم AlphaGeometry2 نهجًا هجينًا يجمع بين الشبكات العصبية (Neural Networks) والذكاء الاصطناعي الرمزي.
يرون أنصار الشبكات العصبية أن الذكاء الاصطناعي يمكنه تعلم حل المشكلات من خلال تحليل كميات ضخمة من البيانات دون الحاجة إلى قواعد رياضية صارمة.
ويعتقد أنصار الذكاء الاصطناعي الرمزي أن الأنظمة التي تعتمد على التلاعب بالرموز تقدم استنتاجات أكثر تفسيرًا ومنطقية من الشبكات العصبية.
ويشير نجاح AlphaGeometry2 إلى أن الجمع بين النهجين قد يكون هو الحل الأمثل لبناء أنظمة ذكاء اصطناعي قوية. ففي الاختبارات، فشل نظام o1، أحد أحدث نماذج الذكاء الاصطناعي في OpenAI، في حل أي من مسائل IMO التي نجح فيها AlphaGeometry2.
هل يمكن للشبكات العصبية أن تعمل بدون الذكاء الاصطناعي الرمزي؟يُشير باحثو DeepMind إلى أدلة أولية على أن نموذج Gemini في AlphaGeometry2 قد يكون قادرًا على إيجاد حلول رياضية جزئية دون الحاجة إلى المحرك الرمزي.
ومع ذلك، ما لم تتحسن سرعة النماذج اللغوية ويتم التخلص من مشكلة "هلوسة الذكاء الاصطناعي"، فسيظل الذكاء الاصطناعي الرمزي ضروريًا لتطبيقات الرياضيات المتقدمة.
خلاصةيحقق AlphaGeometry2 إنجازًا تاريخيًا بحل مسائل الأولمبياد الدولي للرياضيات بمستوى يفوق الفائزين بالميداليات الذهبية.
يجمع بين الشبكات العصبية والذكاء الاصطناعي الرمزي لإيجاد حلول دقيقة للمسائل الهندسية المعقدة.
يفتح الباب أمام استخدام الذكاء الاصطناعي في العلوم والرياضيات والهندسة بطرق غير مسبوقة.
المصدر: صدى البلد
كلمات دلالية: المزيد الشبکات العصبیة فی الأولمبیاد ذکاء اصطناعی اصطناعی فی یجمع بین
إقرأ أيضاً:
الذكاء الاصطناعي يعزز دقة التنبؤ بهياكل الأجسام المضادة
طوّر باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) نموذجًا حسابيًا جديدًا قادرًا على التنبؤ بهياكل الأجسام المضادة بدقة غير مسبوقة، مما قد يُحدث تحولًا كبيرًا في تصميم أدوية فعالة ضد أمراض معدية مثل كوفيد-19 وHIV.
الذكاء الاصطناعي يتجاوز التحديات السابقة
رغم التقدم الكبير الذي حققته نماذج الذكاء الاصطناعي المعتمدة على "نماذج اللغة الكبيرة" (LLMs) في التنبؤ بهياكل البروتينات، إلا أنها واجهت صعوبات عند التعامل مع الأجسام المضادة، خاصة بسبب المناطق شديدة التغير فيها والمعروفة بـ"المناطق مفرطة التغير". للتغلب على هذه العقبة، ابتكر فريق (MIT) تقنية جديدة تحسّن أداء هذه النماذج وتمنحها القدرة على فهم تعقيدات هذه البروتينات المناعية.
تقول بوني بيرغر، أستاذة الرياضيات في (MIT) ورئيسة مجموعة الحوسبة والبيولوجيا في مختبر علوم الحاسوب والذكاء الاصطناعي (CSAIL): «طريقتنا تسمح بالوصول إلى نطاق واسع من الاحتمالات، مما يتيح لنا إيجاد إبر حقيقية في كومة قش. وهذا قد يوفر على شركات الأدوية ملايين الدولارات بتجنب التجارب السريرية غير المجدية».
نموذج AbMap: أداة ذكية للتنقيب في بحر الأجسام المضادة
النموذج الجديد، الذي يحمل اسم (AbMap)، يعتمد على وحدتين مدربتين بشكل دقيق: الأولى تتعلم من بنى ثلاثية الأبعاد لحوالي 3000 جسم مضاد موجودة في قاعدة بيانات البروتينات (PDB)، والثانية تعتمد على بيانات تقيس مدى ارتباط أكثر من 3700 جسم مضاد بثلاثة أنواع مختلفة من المستضدات.
باستخدام (AbMap)، يمكن التنبؤ بهيكل الجسم المضاد وقوة ارتباطه بالمستضد، فقط من خلال تسلسل الأحماض الأمينية. وفي تجربة واقعية، استخدم الباحثون النموذج لتوليد ملايين التعديلات على أجسام مضادة تستهدف بروتين «سبايك» لفيروس SARS-CoV-2، وتمكّن النموذج من تحديد أكثرها فعالية.
وقد أظهرت التجارب بالتعاون مع شركة Sanofi أن 82 % من الأجسام المضادة المختارة باستخدام النموذج أظهرت أداءً أفضل من النسخ الأصلية.
اختصار الطريق نحو العلاجات الفعالة
يُعد هذا التقدم فرصة ذهبية لشركات الأدوية لتقليص الوقت والتكاليف اللازمة في مراحل البحث والتطوير. ووفقًا للبروفيسور روهيت سينغ، المؤلف المشارك للدراسة: «الشركات لا تريد المخاطرة بكل شيء في جسم مضاد واحد قد يفشل لاحقًا. النموذج يمنحها مجموعة من الخيارات القوية للمضي قدمًا بثقة».
تحليل الاستجابات المناعية على مستوى الأفراد
بعيدًا عن التطبيقات الدوائية، يُمكن للنموذج أن يُحدث نقلة في فهم التباين في الاستجابات المناعية بين الأفراد. فعلى سبيل المثال، لماذا يُصاب البعض بكوفيد-19 بشكل حاد، بينما ينجو آخرون دون أعراض؟ أو لماذا يبقى بعض الأشخاص غير مصابين بـHIV رغم تعرضهم للفيروس؟
الدراسة أظهرت أنه عند مقارنة البنية الثلاثية للأجسام المضادة بين الأفراد، فإن نسبة التشابه قد تكون أعلى بكثير من النسبة التي تُظهرها المقارنة الجينية التقليدية (10%). وهذا قد يفتح الباب لفهم أعمق لكيفية عمل جهاز المناعة وتفاعله مع مسببات الأمراض المختلفة.
يقول سينغ: «هنا يتجلى دور نماذج اللغة الكبيرة بوضوح، فهي تجمع بين نطاق التحليل الواسع القائم على التسلسل الجيني ودقة التحليل البنيوي».
دعم وتمويل دولي
حظي البحث بدعم من شركة Sanofi وعيادة عبد اللطيف جميل لتعلم الآلة في مجال الصحة، مما يعكس تزايد اهتمام المؤسسات العالمية بالذكاء الاصطناعي كأداة استراتيجية في الطب الحيوي.
بهذا الإنجاز، يُبرهن الذكاء الاصطناعي مجددًا على قدرته في إحداث ثورة صامتة في المختبرات الطبية، حيث لا تقتصر فوائده على التسريع والتحليل، بل تمتد لتوجيه القرارات الحاسمة التي قد تُنقذ أرواح الملايين.
أسامة عثمان (أبوظبي)
اقتراح أميركي يسمح لإيران بتخصيب اليورانيوم.. ولكن!