«Эволюция разума»: как ИИ учится переписывать космологию

Как разгадать самые глубокие тайны Вселенной, когда данные накапливаются быстрее, чем мы успеваем их осмыслить? Это похоже на то, как если бы вам вручили миллиарды фрагментов головоломки, оставшихся после космического взрыва, и попросили восстановить исходную звезду.

Современный анализ космических данных сталкивается с поистине сложными алгоритмическими задачами, требующими не просто изобретательности, а совершенно новых способов поиска ответов в огромных концептуальных пространствах. Наши проверенные космологические алгоритмы — те вычислительные процедуры и модели, которые мы используем для анализа астрономических данных, моделирования эволюции Вселенной и реконструкции ее физических свойств — могут завести нас лишь так далеко.

Но что, если следующим великим астрономом окажется не человек? Что, если это будет искусственный интеллект, научившийся писать собственный код? Здесь на космическую сцену выходит довольно остроумная структура под названием MadEvolve.

Представьте себе настойчивого, неутомимого помощника, созданного для того, чтобы брать наши существующие научные алгоритмы, изучать их, модифицировать и делать принципиально лучше. Именно это и представляет собой MadEvolve: система, предназначенная для итеративного улучшения алгоритмов, начиная с базовой версии, написанной человеком, а затем неустанно оптимизирующая ее производительность с помощью умных последовательных изменений кода.

И это не просто мелкие правки. В нескольких ключевых задачах вычислительной космологии MadEvolve продемонстрировала значительные улучшения по сравнению с нашими лучшими алгоритмами, созданными человеком, и даже установила новый стандарт для некоторых типов моделирования. Но как же этому цифровому вундеркинду удается достигать таких космических высот?

Настоящее волшебство MadEvolve заключается в продуманном взаимодействии двух мощных идей: больших языковых моделей (LLM) и эволюционного программирования. Большая языковая модель — это тип программы искусственного интеллекта, обученный на огромных объемах текстовых данных, что позволяет ей понимать, генерировать и обрабатывать человеческий язык, который, как выяснилось, включает в себя написание и понимание компьютерного кода. В случае с MadEvolve эти LLM действуют как «умные» операторы мутации. Они предлагают изменения в существующем коде, подобно очень проницательному программисту.

Затем в дело вступает эволюционное программирование — класс оптимизационных алгоритмов, вдохновленных естественным отбором. Представьте себе цифровую версию выживания сильнейших для компьютерного кода, где поколения потенциальных решений развиваются и совершенствуются с помощью таких операций, как мутация и отбор.

MadEvolve берет родительскую программу из разнообразной популяции алгоритмов, запрашивает у LLM изменения, оценивает новые программы на основе физических критериев, а затем обновляет популяцию в соответствии с полученными оценками. Этот итеративный цикл, включающий в себя отдельные оптимизации структуры и параметров, позволяет системе постоянно совершенствовать свои творения. Это завораживающая демонстрация вычислительной эволюции.

Теперь вы можете подумать: «Минуту, разве большие языковые модели не бывают… ненадежны, когда дело касается строгой физики?» И вы будете правы. LLM часто испытывают трудности с точными выводами и расчетами в теоретической физике, иногда демонстрируя противоречивые рассуждения. Но именно здесь MadEvolve проявляет свою истинную изобретательность. Система не просит LLM изобретать новые физические теории с нуля. Вместо этого она ограничивает LLM задачами, определенными человеком, для которых существуют четкие, проверяемые критерии вознаграждения. Физические «оценщики» не дают LLM отклоняться от истины, гарантируя, что предлагаемые изменения кода действительно улучшают производительность.

MadEvolve прошла проверку в самых сложных областях вычислительной космологии. Она добилась значительных успехов в таких задачах, как реконструкция начальных условий Вселенной, очистка слабых космических сигналов от фоновых помех и точная настройка физики в N-тельных симуляциях. В задаче реконструкции начальных космических условий она превзошла лучшие достижения человека, установив новый ориентир для нашего понимания ранней Вселенной.

Эти достижения представляют собой скачок вперед в нашей способности извлекать значимые идеи из потока космических данных, раздвигая границы того, что мы считали возможным с помощью современных методов. Это знак того, что сами инструменты, с помощью которых мы исследуем космос, скоро получат серьезное обновление.

Но история не заканчивается космологией. Эта удивительная система MadEvolve создана как универсальная структура, а это значит, что она может оказаться полезной в бесчисленном множестве других научных областей. Подумайте сами: от оптимизации генерации кода и программной инженерии до усовершенствования нейронных сетей и других генеративных задач — объединенная синергия LLM и эволюционных алгоритмов обладает огромным потенциалом.

Мы лишь начинаем осознавать, какие горизонты открывает это инновационное сотрудничество. Вселенная обширна, и методы ее исследования должны быть столь же изобретательны. Возможно, уже совсем скоро мы станем свидетелями того, как первый крупный астрономический прорыв будет сделан даже не человеком и не просто инструментом, а алгоритмом, который самостоятельно научился задавать правильные вопросы и находить на них ответы.