Addestrare l’intelligenza numerica attraverso l’autodiagnosi e la scoperta di competenze

Abstract degli autori

Gli agenti di IA sono sempre più capaci di generare codice scientifico, ma generare codice non equivale a migliorare gli algoritmi su cui si basa. Per i solutori numerici, i risultati dell’esecuzione possono mettere in luce prestazioni scarse, ma raramente ne rivelano la causa e il modo per affrontarla. Presentiamo Auto-Diagnosis and Skill Discovery (ADSD), un framework che collega la diagnosi numerica all’auto-miglioramento riutilizzabile dei solutori. ADSD segue un approccio che parte dalla diagnosi: prima spiega perché un solutore offre prestazioni scarse, poi usa questa diagnosi per orientare la scoperta di metodi numerici appropriati. Le conoscenze così ottenute vengono organizzate in competenze riutilizzabili per i solutori: il loro miglioramento passa così da modifiche per tentativi ed errori a un processo strutturato di diagnosi, scoperta e implementazione. In quattro ambiti numerici impegnativi — l’equazione del flusso di potenza, il controllo del flusso di potenza ottimale in corrente alternata, le equazioni differenziali ordinarie rigide e le equazioni alle derivate parziali di diffusione eterogenea — ADSD migliora sistematicamente l’accuratezza, la robustezza e l’efficienza dei solutori. Nel problema del flusso di potenza GOC-500, per esempio, ADSD riduce l’errore medio del solutore di quasi $71\times$; i miglioramenti si estendono anche a topologie di rete e regimi operativi mai incontrati prima.