Looped Flows yapay zekada akıl yürütme performansını artırıyor

Araştırmacılar, derin öğrenmede çıkarım aşamasında yinelemeli durum güncellemeleriyle daha uzun süre düşünmeyi sağlayan 'looped flows' yöntemini geliştirdi. Mevcut döngüsel modeller, eğitim sırasında geriye yayılımın yalnızca birkaç güncellemeyle sınırlı kalması nedeniyle erken aşamaları gelecekteki adımları destekleyecek şekilde eğitmekte zorlanıyordu. Yeni yaklaşım, yerel gürültü giderme hedefleri kullanarak bu kısıtı aşıyor ve gradyanlar sınırlı kalsa bile modellerin zaman içinde faydalı hesaplamalar aktarmasını sağlıyor.

Yöntem, çıkarım sürecini öğrenilen gürültü giderici ve yinelemeli durumlarla parametrelendirilen bir olasılık akışının hızını entegre etme işlemi olarak formüle ediyor. Bu yapı sayesinde sistemler, daha ince bir zamansal ızgara kullanarak daha fazla hesaplama harcayabiliyor ve zor problemleri çözebiliyor. Model ayrıca farklı başlangıç gürültüsü örneklerinden yola çıkarak tek bir problem için birden fazla geçerli tahmin üretebilme esnekliği sunuyor.

Yapılan kapsamlı testler, looped flows modelinin önceki döngüsel sistemleri geride bıraktığını gösterdi. İkisi çoklu çözüm içeren toplam altı akıl yürütme testinde sınanan yöntem, ARC-AGI-1 testinde yüzde 58,8, ARC-AGI-2 testinde ise yüzde 12,2 doğruluk oranına ulaştı. Elde edilen bulgular, model parametrelerini aşırı büyütmeden çıkarım anındaki hesaplama süresini verimli kullanmanın karmaşık akıl yürütme görevlerinde başarıyı artırdığını ortaya koyuyor.