São Paulo — InkDesign News — O avanço em machine learning e deep learning está transformando a pesquisa em matemática e ciências. A integração de modelos avançados promete revolucionar a descoberta científica, desafiando o que consideramos possível na resolução de problemas complexos.
Arquitetura de modelo
Recentemente, estudos evidenciaram como combinações de Modelos de Linguagem Grande (LLMs) com solvers simbólicos podem desencadear descobertas matemáticas significativas. O “Baby AI Gauss”, por exemplo, utiliza um ciclo de gerar-checar-refinar que recebe sequências numéricas e propõe fórmulas fechadas, validando suas conjecturas através de uma engine de matemática simbólica como o SymPy. Essa abordagem reflete um modelo de inteligência artificial que sintetiza o raciocínio humano com a precisão computacional.
“Classifique todas as soluções estáveis de PDEs acoplados oceano-atmosfera.”
(“Classify all stable solutions of coupled ocean–atmosphere PDEs.”)— Pesquisador, Instituição
Treinamento e otimização
O treinamento de modelos de AI como o “Baby AI Gauss” se destaca pela sua estrutura iterativa. Inicialmente sem sugestões, o modelo gera propostas de fórmulas e as valida em um conjunto de tentativas. Quando enfrenta falhas, utiliza feedback estruturado para ajustar suas hipóteses. Essa flexibilidade permite que o sistema aprenda a partir de suas tentativas, potencializando a eficiência nos próximos ciclos de validação.
“As barreiras ao progresso simplesmente colapsam diante de uma maré incansável de AI.”
(“Barriers to progress simply collapse in the face of an unrelenting tide of AI.”)— Analista, Instituição
Resultados e métricas
Resultados preliminares demonstram um aumento significativo na taxa de sucesso de modelagens matemáticas. O GPT-5, por exemplo, alcançou um impressionante índice de 100% na resolução de problemas, demonstrando um avanço notável em relação a seus predecessores, que solucionaram entre 55% e 65% das questões propostas. Esse progresso sinaliza que os modelos não apenas estão se tornando mais eficientes no reconhecimento de padrões, mas também em formular conjecturas novas e robustas, desafiando as limitações anteriormente vistas na resolução de problemas matemáticos.
À medida que a pesquisa avança, a construção de uma infraestrutura de AI, onde matemáticos e cientistas possam processar suas perguntas usando sistemas de computação nas nuvens, se torna uma possibilidade concreta. Espera-se que essa democratização do acesso permita colaborações mais amplas e soluções inovadoras para os desafios mais complexos da ciência contemporânea.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
