Um das Sprachmodell von AlphaGeometry zu trainieren, mussten die Forscher ihre eigenen Trainingsdaten erstellen, um den Mangel an vorhandenen geometrischen Daten auszugleichen. Sie generierten fast eine halbe Milliarde zufällige geometrische Diagramme und speisten sie in die symbolische Engine ein. Diese Engine analysierte jedes Diagramm und erstellte Aussagen über deren Eigenschaften. Diese Aussagen wurden in 100 Millionen synthetische Beweise organisiert, um das Sprachmodell zu trainieren.
Roman Yampolskiy, außerordentlicher Professor für Informatik und Ingenieurwesen an der University of Louisville, der nicht an der Forschung beteiligt war, sagt, dass die Fähigkeit von AlphaGeometry einen deutlichen Fortschritt hin zu „ausgefeilteren, menschenähnlichen Fähigkeiten zur Problemlösung in Maschinen“ zeige.
„Über die Mathematik hinaus erstrecken sich seine Implikationen auf Bereiche, die auf der Lösung geometrischer Probleme beruhen, wie etwa Computer Vision, Architektur und sogar theoretische Physik“, sagte Yampoliskiy in einer E-Mail.
Es gibt jedoch Raum für Verbesserungen. Während AlphaGeometry Probleme der „elementaren“ Mathematik lösen kann, ist es nicht in der Lage, sich mit fortgeschrittenen, abstrakten Problemen auseinanderzusetzen, die an Universitäten gelehrt werden.
„Mathematiker wären wirklich daran interessiert, ob KI Probleme lösen könnte, die in der Forschungsmathematik aufgeworfen werden, vielleicht durch neue mathematische Erkenntnisse“, sagte van Doorn.
Wang sagt, das Ziel bestehe darin, einen ähnlichen Ansatz auf breitere Mathematikbereiche anzuwenden. „Geometrie ist für uns nur ein Beispiel, um zu zeigen, dass wir kurz davor stehen, dass KI in der Lage ist, tiefgreifende Überlegungen anzustellen“, sagt er.