AlphaGeometry2: 기하학 문제 해결에서 인간 올림피아드 챔피언을 능가하는 AI

인공지능은 오랫동안 인간과 같은 논리적 추론을 모방하려고 시도해왔다. 패턴 인식에서 큰 진전을 이루었지만, 추상적 추론과 상징적 推論은 인공지능에게 어려운 도전으로 남아 있었다. 이 한계는 특히 기하학 문제 해결과 같은 수학적 문제 해결에 인공지능을 사용할 때尤其明显하다. 기하학은 다른 수학 분야와 달리 공식과 대수적 조작에 의존하지 않는다. 기하학은 구조화된, 단계별 추론뿐만 아니라 숨겨진 관계를 인식하고 문제를 해결하기 위한 추가 요소를 구성하는 능력이 필요하다.

오랫동안 이러한 능력은 인간에게만 고유한 것으로 생각되었다. 그러나 Google (GOOGL ) DeepMind는 이러한 복잡한 추론 작업을 수행할 수 있는 인공지능을 개발하기 위해 노력해왔다. 작년, mereka는 AlphaGeometry를 소개했다. 이는 신경망의 예측 능력과 상징적 추론의 구조화된 논리를 결합하여 복잡한 기하학 문제를 해결하는 인공지능 시스템이다. 이 시스템은 54%의 국제 수학 올림피아드(IMO) 기하학 문제를 해결하여 은메달리스트와 동등한 성능을 달성했다. 최근, mereka는 AlphaGeometry2를 개발하여 84%의 해결률을 달성하여 평균 IMO 금메달리스트를 능가했다.

이 文章에서, 우리는 AlphaGeometry2가 이러한 수준의 성능을 달성하기 위해 도입된 주요 혁신을 살펴보고, 이 개발이 기하학 문제 해결을 위한 인공지능의 미래에 어떤 의미를 가지는지探구할 것이다. 그러나 AlphaGeometry2의 특별함을 이해하기 전에, 먼저 AlphaGeometry가 무엇이고 어떻게 작동하는지 이해하는 것이 중요하다.

AlphaGeometry: 기하학 문제 해결을 위한 인공지능의 개척자

AlphaGeometry는 IMO 수준의 기하학 문제를 해결하기 위한 인공지능 시스템이다. 이는 기본적으로 신경-상징적 시스템으로, 신경 언어 모델과 상징적 推論 엔진을 결합한다. 신경 언어 모델은 시스템이 새로운 기하학적 구성 요소를 예측하도록 도와주며, 상징적 推論은 공식적 논리를 적용하여 증명을 생성한다. 이 설정은 AlphaGeometry가 인간과 같은 방식으로 생각할 수 있도록 한다. 즉, 신경망의 패턴 인식 능력과 상징적 推論의 구조화된 논리를 결합하여 인간의 추론 능력을 모방한다. AlphaGeometry의 주요 혁신 중 하나는 훈련 데이터를 생성하는 방법이었다. 인간의 시연에 의존하지 않고, 10억개의 랜덤 기하학 도형을 생성하여 1억개의 고유한 예시를 생성했다. 이 과정은 신경 모델이 기능적 기하학적 구성 요소를 예측하고, 상징적 엔진이 정확한 해결책을 생성하도록 도왔다. 이 하이브리드 접근법은 AlphaGeometry가 30개의 올림피아드 기하학 문제 중 25개를 표준 경쟁 시간 내에 해결할 수 있도록 했다. 이는 최고의 인간 경쟁자와 거의 같은 성능을 달성했다.

AlphaGeometry2의 성능 개선

AlphaGeometry는 기하학 문제 해결을 위한 인공지능의 혁신이었지만, 일부 한계가 있었다. 복잡한 문제를 해결하는 데 어려움이 있었으며, 다양한 기하학적 도전을 효율적으로 처리하지 못했다. 이러한 장애물을 극복하기 위해, AlphaGeometry2는 몇 가지 주요 개선점을 도입했다:

1. 더 복잡한 기하학 문제 이해 능력 확대

AlphaGeometry2의 가장 중요한 개선점 중 하나는 더 넓은 범위의 기하학 문제를 처리할 수 있는 능력이다. 이전의 AlphaGeometry는 선형 방정식, 비율, 거리 및 이동하는 점, 선, 원에 대한 추론이 필요한 문제를 해결하는 데 어려움이 있었다. AlphaGeometry2는 이러한 한계를 극복하기 위해 더 발전된 언어 모델을 도입하여 이러한 복잡한 문제를 설명하고 분석할 수 있다. 결과적으로, AlphaGeometry2는 지난 20년간의 IMO 기하학 문제 중 88%를 해결할 수 있다. 이는 이전의 66%에서 상당한 증가이다.

2. 더 빠르고 효율적인 문제 해결 엔진

AlphaGeometry2의 또 다른 주요 이유는 개선된 상징적 엔진이다. 이 엔진은 시스템의 논리적 핵심을 담당하며, 몇 가지 방법으로 개선되었다. 첫째, 더 정교한 문제 해결 규칙을 사용하여 더 효과적이고 빠르다. 둘째, 서로 다른 기하학적 구성 요소가 동일한 점을 나타낸다는 것을 인식하여 더 유연하게 추론할 수 있다. 셋째, 엔진은 Python 대신 C++로 다시 작성되어 이전보다 300배 더 빠르다. 이 속도 향상은 AlphaGeometry2가 더 빠르고 효율적으로 해결책을 생성할 수 있도록 한다.

3. 더 복잡하고 다양한 기하학 문제로 인공지능 훈련

AlphaGeometry2의 신경 모델의 효과는 합성 기하학 문제에 대한 광범위한 훈련에서 나온다. AlphaGeometry는 초기에 10억개의 랜덤 기하학 도형을 생성하여 1억개의 고유한 훈련 예시를 생성했다. AlphaGeometry2는 이를 더 발전시켜 더 광범위하고 복잡한 도형을 생성하여 더 발전된 해결책을 예측하고 생성할 수 있다. 또한, 보조 구성 요소를 도입하여 문제를 해결하는 데 도움이 되는 새로운 점이나 선을 포함하는 문제를 포함한다.

4. 더智能한 검색 전략으로 해결책 찾기

AlphaGeometry2의 주요 혁신 중 하나는 새로운 검색 접근법이다. 이전의 기본 검색 방법과 달리, AlphaGeometry2는 여러 검색을 병렬로 실행하여 각 검색이 서로로부터 학습할 수 있다. 이 기술은 더 широк은 범위의 가능한 해결책을 탐색하고 복잡한 문제를 더 짧은 시간에 해결하는 인공지능의 능력을 크게 향상시킨다.

5. 더 발전된 언어 모델에서 학습

AlphaGeometry2의 또 다른 주요 요인은 더 발전된 언어 모델을 채택한 것이다. Google의 Gemini 모델은 더 광범위하고 다양한 수학적 문제에 대한 훈련을 받은 최첨단 인공지능 모델이다. 이 새로운 언어 모델은 AlphaGeometry2가 더 구조화된 방식으로 문제를 접근할 수 있도록 한다. 다른 유형의 문제에서 학습하고 예측을 미세하게 조정함으로써, 시스템은 더 많은 올림피아드 수준의 기하학 문제를 해결할 수 있다.

인간 올림피아드 챔피언을 능가하는 결과 달성

위의 개선점 덕분에, AlphaGeometry2는 2000-2024년의 50개의 IMO 기하학 문제 중 42개를 해결하여 84%의 성공률을 달성했다. 이는 평균 IMO 금메달리스트의 성능을 능가하며, 인공지능이 기하학 문제 해결을 위한 새로운 표준을 설정한다. 또한, AlphaGeometry2는 자동 정리 증명을 위한 중요한 발전을 이루어, 인간이 이해할 수 있는 방식으로 이유를 설명할 수 있는 인공지능 시스템을 개발하는 데 더 가까워졌다.

수학적 추론을 위한 인공지능의 미래

AlphaGeometry에서 AlphaGeometry2로의 발전은 인공지능이 복잡한 수학적 문제를 해결하는 데 더 나은 성능을 보이는 것을 보여준다. 이는 또한 인공지능이 단순히 패턴을 인식하는 것이 아니라, 인간과 같은 논리적 추론을 할 수 있으며, 문제를 해결하는 데 더 구조화된 접근법을 사용할 수 있음을 의미한다.

AlphaGeometry2는 또한 인공지능이 미래에 어떤 능력을 가질 수 있는지 보여준다. 단순히 지시를 따르는 것이 아니라, 인공지능은 새로운 수학적 아이디어를 스스로 탐색할 수 있으며, 과학 연구를 도울 수 있다. 신경망과 논리적 추론을 결합하여, 인공지능은 단순한 작업을 자동화하는 도구가 아니라, 인간의 지식을 확장하는 데 협력하는 파트너가 될 수 있다.

인공지능이 물리학, 공학, 생물학에서 새로운 발견을 하거나 정리를 증명하는 시대에 들어서고 있는가? 인공지능이 무차별적인 계산에서 더 생각 있는 문제 해결 방식으로 전환함에 따라, 인간과 인공지능이 함께 새로운 아이디어를 발견하는 미래가 다가오고 있을 수 있다.