Les équipes de Facebook AI ont développé le premier système d’intelligence artificielle capable de résoudre des équations mathématiques complexes à l’aide d’un raisonnement symbolique. Pour ce faire ils ont développé une façon de représenter les équations mathématiques comme une sorte de langage. L’AI cherche alors à traduire l’équation plutôt qu’à la résoudre. Cette différence de conception permet aux réseaux neuronaux de résoudre les équations bien plus rapidement que ne le font les systèmes de calcul classiques.

Jusqu’à présent, ce type de problème était considéré insolvable pour les modèles basés sur le deep learning car il requiert de la précision plutôt que de l’approximation. Les réseaux neuronaux sont capables d’apprendre très vite et de proposer un résultat avec un haut degré de certitude. Par exemple, après avoir vu des centaines de photos de chien, une IA basée sur un réseau neuronal pourra distinguer un chien d’un chat avec un degré de certitude extrêmement élevé. Mais même si ce degré de certitude peut grandement se rapprocher de 100%, il ne pourra jamais l’atteindre. Cette limitation pose un problème pour traiter de complexes équations mathématiques. De plus résoudre des problèmes mathématiques nécessite de traiter avec des symboles telles que des lettres symbolisant des nombres.

Facebook AI a alors envisagé une nouvelle approche : traiter les équations comme des phrases. Cela leur a permis d’exploiter les techniques développées en neural machine translation afin de traduire les problèmes en solutions. Pour ce faire, ils ont dû développer une méthode afin de transformer les expressions mathématiques dans une syntaxe similaire à celle d’une langue. Le fonctionnement de ce modèle se rapproche de la façon de résoudre des problèmes des humains. Souvent, les humains qui excellent en mathématiques symboliques ont une idée de ce que devrait être le résultat sans même le chercher car ils sont capables d’identifier des patterns. Ce système fonctionne de la même manière, il cherche des patterns pour connaître le résultat sans effectuer de calcul à proprement parler. Afin d’apprendre à l’algorithme à rechercher des patterns, les chercheurs ont dû générer une base de données d’une centaine de millions d’équations et réponses pour entraîner le modèle.

Les résultats sont au rendez-vous puisque le modèle a été capable de résoudre de nouvelles équations bien plus rapidement et avec plus de précision que les systèmes classiques basées sur l’algèbre telles que Maple, Mathematica et Matlab.

Pour le moment, le modèle de Facebook fonctionne uniquement pour les équations à une seule variable. Les chercheurs prévoient de l’étendre aux fonctions à plusieurs variables. La même approche pourrait également être appliquée à d’autres domaines basés sur les mathématiques et la logique telles que la physique. Ainsi, à l’avenir des logiciels pourraient aidés les scientifiques dans une grande part de leurs recherches. Mais surtout, leur IA a prouvé que le deep learning peut être utilisé pour reconnaître des symboles et que des tâches jusqu’à présent considérée comme impossibles pour les réseaux de neurones, peuvent en réalité être effectuée. Les chercheurs concluent donc en se demandant : Et si les limites perçues des réseaux neuronaux étaient en réalité les limites de l’imagination ?