🚀 تحقیقات جدید Google Research: جهش بزرگ در تولید خودکار کد علمی در سطح کارشناسان

ایده ساده و در عین حال قدرتمند است: ترکیب مدل‌های زبانی بزرگ (LLM) + الگوریتم جستجوی درختی و تبدیل فرآیند نوشتن نرم‌افزار علمی به یک جستجوی هدایت‌شده.

🔧 روند کار:
مدل بارها کد را می‌نویسد، در محیط ایزوله (sandbox) اجرا می‌کند، کیفیت خروجی (مثلاً دقت پیش‌بینی یا کیفیت ادغام داده‌ها) به‌صورت عددی ارزیابی می‌شود و درخت جستجو بهترین شاخه‌ها را نگه می‌دارد و موارد ضعیف را حذف می‌کند.

🔑 نتایج کلیدی:

رسیدن به سطح کارشناسان و برتری نسبت به روش‌های مرجع در حوزه‌های مختلف: زیست‌شناسی، اپیدمیولوژی، ژئوانالیز، علوم اعصاب، سری‌های زمانی و روش‌های عددی.

سرعت چشمگیر: کمتر از ۲ ساعت روی یک کارت T4 در مقابل ۳۶ ساعت روی ۱۶ کارت A100.

در زیست‌اطلاعاتی (Bioinformatics): ۴۰ روش جدید برای تحلیل داده‌های تک‌سلولی ایجاد شد که از بهترین الگوریتم‌های انسانی بهتر عمل کردند.

در اپیدمیولوژی: ۱۴ مدل جدید طراحی شد که رکورد پیش‌بینی بستری‌های COVID-19 را شکستند.


📌 جمع‌بندی: به محض اینکه یک مسئله علمی به‌صورت یک معیار ساده (متریک) فرمول‌بندی شود، ترکیب LLM + جستجوی درختی می‌تواند به‌طور خودکار کد علمی تولید و بهبود دهد و به سطح بهترین متخصصان برسد.

🟢 ریپوی پروژه: GitHub
🟢 مقاله: arXiv

@rss_ai_ir

#AI #ML #GoogleResearch #ScientificComputing #LLM #AutoML #ResearchTools