L'IA de DeepMind atteint des compétences en résolution de problèmes géométriques comparables à celles des Olympiens des mathématiques.

Un système d'intelligence artificielle révolutionnaire développé par Google DeepMind, l'un des principaux laboratoires d'IA au monde, peut résoudre des problèmes de géométrie complexes à un niveau comparable à celui d'un médaillé d'or de l'International Mathematical Olympiad (IMO).

Nommé AlphaGeometry, ce système innovant combine deux approches distinctes : un modèle de langage neuronal qui génère des idées intuitives et un moteur de déduction symbolique qui valide ces idées grâce à la logique formelle. Le modèle de langage repose sur une technologie similaire à celle qui alimente le moteur de recherche de Google et ses systèmes de traitement du langage naturel. L'ingénierie de déduction s'inspire d'une méthode conçue par le mathematicien chinois Wen-Tsün Wu en 1978.

Les chercheurs ont testé AlphaGeometry sur 30 problèmes de géométrie rigoureux de l'IMO, considérés comme difficiles même pour des mathématiciens experts. Fait remarquable, le système a réussi à résoudre 25 de ces problèmes dans le délai standard de 4,5 heures, égalant le score moyen des médaillés d'or. En comparaison, le précédent système de pointe, basé sur la méthode de Wu, n'a résolu que 10 problèmes.

Les résultats, publiés dans Nature, indiquent que l'IA peut non seulement raisonner logiquement, mais aussi découvrir de nouvelles perspectives mathématiques. Les mathématiques, en particulier la géométrie, ont traditionnellement posé des défis aux chercheurs en IA en raison de la nécessité de créativité et de précision. Contrairement aux modèles textuels qui peuvent accéder à de vastes ensembles de données sur Internet, les données mathématiques sont plus symboliques et spécifiques à un domaine, rendant leur accès plus rare. De plus, résoudre des problèmes mathématiques nécessite un raisonnement logique robuste, un domaine où la plupart des modèles d'IA actuels rencontrent des difficultés.

Pour relever ces défis, les chercheurs ont appliqué une approche neuro-symbolique novatrice, tirant parti des forces des réseaux neuronaux et des systèmes symboliques. Alors que les réseaux neuronaux excellent dans la reconnaissance des motifs et la prédiction des résultats, ils manquent souvent de pouvoir explicatif. En revanche, les systèmes symboliques fonctionnent selon une logique formelle rigoureuse, leur permettant de corriger et de justifier les décisions prises par le réseau neuronal.

Les chercheurs comparent leur approche au concept de "penser vite et lentement" popularisé par le lauréat du prix Nobel Daniel Kahneman, où un système propose des idées intuitives rapides tandis que l'autre s'engage dans un raisonnement plus délibéré et logique. Ensemble, ces systèmes collaborent pour relever des défis mathématiques complexes.

En outre, AlphaGeometry a démontré sa capacité à généraliser à de nouveaux problèmes, prouvant des théorèmes non explicitement énoncés dans les énoncés des problèmes. Par exemple, il a prouvé un théorème concernant la bissectrice d'un triangle, qui n'était ni donné comme prémisse ni comme objectif.

L'équipe espère qu'en rendant leur système open source, elle inspirera d'autres recherches et applications dans les domaines des mathématiques, des sciences et de l'IA. Ils reconnaissent également les limites actuelles, telles que la nécessité de preuves plus lisibles par les humains et la capacité à traiter des problèmes plus complexes, ainsi que les considérations éthiques entourant l'IA dans les mathématiques.

Bien qu'AlphaGeometry soit actuellement axé sur la géométrie, les chercheurs estiment que leur méthodologie de données synthétiques pourrait renforcer le raisonnement de l'IA dans des domaines mathématiques et scientifiques où les données d'entraînement générées par des humains sont limitées. En automatisant la découverte et la vérification de nouvelles connaissances, l'apprentissage automatique a le potentiel d'accélérer considérablement la compréhension humaine dans une multitude de disciplines.