28 dolarów i 15 iteracji. Jak LLM pobił 10 rekordów w upakowaniu okręgów

Jest coś lekko niepokojącego w tym, że algorytm może przez weekend, bez nadzoru, pobić rekordy, nad którymi ludzie ślęczeli latami. Discovery Loop, system opisany przez Wesa Sandera, zrobił dokładnie to. Za niecałe 28 dolarów, w 15 krokach, poprawił najlepsze znane rozwiązania dla 10 różnych układów kół w kwadracie. I zrobił to, po prostu czytając własne notatki i wyciągając wnioski.

Czym jest Packomania i dlaczego to nie tylko zabawa

Packomania to internetowe repozytorium rekordów dla problemów upakowania okręgów. Brzmi niszowo, ale za tą łamigłówką kryje się matematyczne wyzwanie o realnych konsekwencjach. Chodzi o to, by upchnąć N okręgów w kwadracie o boku 1 tak, aby suma ich promieni była jak największa. W wariancie 'csqv' (circle packing with variable radii) promienie mogą być różne, co czyni problem znacznie trudniejszym obliczeniowo. To nie tylko abstrakcyjna geometria. Podobne algorytmy optymalizacyjne stosuje się przy cięciu materiałów, projektowaniu układów scalonych czy rozmieszczaniu sensorów.

Dotychczasowe rekordy były wynikiem żmudnej pracy ludzi, często wykorzystujących wyrafinowane algorytmy heurystyczne. Każda poprawa, nawet o ułamek procenta, wymagała tygodni obliczeń i głębokiej znajomości specyfiki problemu. Discovery Loop wszedł w ten świat jak ktoś, kto nie zna reguł gry, a mimo to wygrywa.

Discovery Loop. Ewolucja kodu sterowana językiem

Sercem systemu jest pętla sprzężenia zwrotnego. Na wejściu dostaje prosty, startowy program do rozwiązywania problemu, tak zwany 'seed solver'. W każdej iteracji Duży Model Językowy (LLM) analizuje dotychczasowe wyniki, przegląda historię swoich wcześniejszych pomysłów i proponuje modyfikację algorytmu. Tę nową wersję niezależny weryfikator sprawdza na sucho. Jeśli wynik jest lepszy, zostaje. Jeśli nie, ląduje w koszu.

Ważnym elementem jest adaptacyjny mechanizm wykrywania plateau. Gdy system zauważa, że kolejne próby nie przynoszą poprawy, zmienia strategię lub kończy proces, zanim koszty zaczną rosnąć bezproduktywnie. To trochę jak naukowiec, który po serii nieudanych eksperymentów przestaje robić w kółko to samo i szuka innego podejścia.

Rekordy za 27,72 dolara. Efektywność, która zastanawia

Liczby mówią same za siebie. System poprawił najlepsze znane rozwiązania dla 10 wartości N, w zakresie od 101 do 114 okręgów. Poprawa wahała się od 2,4% do 5,4% w porównaniu z poprzednimi rekordami. Cały proces zajął tylko 15 iteracji, a całkowity koszt zapytań do LLM wyniósł 27,72 dolara. Wyniki zostały niezależnie zweryfikowane i oficjalnie zaakceptowane przez serwis Packomania.

Szczerze, nie wiem, co robi większe wrażenie. Czy to, że system pobił rekordy, czy to, że zrobił to za cenę pizzy dla dwóch osób. Wracam myślami do tych 15 iteracji. Każda z nich to potencjalnie ślepa uliczka, ale algorytm, w przeciwieństwie do zmęczonego programisty, nie traci cierpliwości i nie idzie na kawę.

Demokratyzacja odkryć czy automatyzacja zgadywania

Autorzy podkreślają implikacje dla 'demokratyzacji zautomatyzowanego odkrywania naukowego'. To odważne stwierdzenie, ale ma w sobie ziarno prawdy. Gdy narzędzie za 28 dolarów może konkurować z wyspecjalizowanymi zespołami badawczymi, próg wejścia do pewnych obszarów nauki drastycznie spada. Nie potrzebujesz grantu na klaster obliczeniowy, wystarczy dostęp do API i dobry pomysł na pętlę ewolucyjną.

Mam jednak mieszane uczucia. System nie 'rozumie' geometrii, nie ma intuicji przestrzennej. Działa trochę jak niezwykle cierpliwy majsterkowicz, który próbuje wszystkich możliwych kombinacji, aż trafi na lepszą. Czy nazwiemy to odkryciem, czy zaawansowanym przeszukiwaniem przestrzeni rozwiązań? Prawda pewnie leży gdzieś po środku, w tym nudnym miejscu, gdzie inżynieria spotyka się z nauką.

Co dalej. Od kół do konkretów

Packomania to poligon doświadczalny, ale architektura Discovery Loop jest na tyle ogólna, że można ją podpiąć do dowolnego problemu optymalizacyjnego z mierzalną funkcją celu. Wyobrażam sobie podobny system szukający lepszych strategii logistycznych, optymalizujący zużycie energii w fabryce czy projektujący nowe struktury białek. Ograniczeniem jest koszt i jakość LLM, ale oba te parametry zmieniają się z miesiąca na miesiąc.

Zastanawia mnie jedno. Co się stanie, gdy takie systemy zaczną rywalizować ze sobą nawzajem, a nie tylko z ludzkimi rekordami? Może powstać nowy typ wyścigu zbrojeń algorytmicznych, w którym wygrywa ten, kto ma lepszy prompt i tańszy token. To ekscytujące i trochę przerażające jednocześnie.

• Discovery Loop poprawił rekordy dla 10 układów okręgów (N od 101 do 114) w benchmarku Packomania.
• Poprawa wyniosła od 2,4% do 5,4% w porównaniu z wcześniejszymi najlepszymi rozwiązaniami.
• Cały proces zajął 15 iteracji ewolucyjnych przy koszcie 27,72 dolara za użycie LLM.
• System wykorzystuje adaptacyjny mechanizm wykrywania plateau do zarządzania kosztami.
• Wyniki zostały niezależnie zweryfikowane i zaakceptowane przez serwis Packomania.

Praktyczne zastosowania

Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:

28 dolarów i 15 iteracji. Jak Discovery Loop może znaleźć 5% oszczędności w twojej ostatniej mili

Dyspozytorzy w firmach kurierskich codziennie mierzą się z układem tras, który przypomina układanie

Taśma produkcyjna jak z Tetrisa. Sztuczna inteligencja optymalizuje układ fabryki

Gdy ostatnio odwiedziłem zakład produkcyjny koło Poznania, ich głównym problemem nie był brak zamówi

Wiatr w żagle algorytmu. Jak tańsze turbiny dają więcej prądu dzięki Discovery Loop

Deweloperzy farm wiatrowych mierzą się z kosztownym problemem: każdy metr kwadratowy terenu, na któr

28 dolarów za lepszy plan leczenia. Discovery Loop w radioterapii

Dyrektorzy placówek onkologicznych stoją przed stałym dylematem: skrócić czas oczekiwania na rozpocz

Podsumowanie

Discovery Loop pokazuje, że zautomatyzowane odkrywanie naukowe nie wymaga już ogromnych zasobów. Technologia może znaleźć praktyczne zastosowanie w optymalizacji procesów przemysłowych, gdzie liczy się każdy ułamek procenta wydajności, na przykład przy rozkroju materiałów w produkcji meblarskiej czy rozmieszczaniu komponentów na płytkach drukowanych. W logistyce podobne algorytmy mogłyby szukać lepszych tras dostaw lub układów magazynowych, a w energetyce optymalizować rozmieszczenie turbin w farmie wiatrowej. Wspólnym mianownikiem jest problem 'upakowania' ograniczonych zasobów w określonej przestrzeni, z którym mierzy się niemal każda branża produkcyjna.

Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.