FunSearch est une approche innovante présentée dans un article publié dans Nature, conçue pour explorer et découvrir de nouvelles fonctions exprimées sous forme de code informatique, ouvrant ainsi des perspectives inédites en mathématiques et en informatique théorique. Cette méthode repose sur l’association d’un grand modèle de langage (LLM) pré-entraîné, chargé de générer des solutions créatives et variées sous forme de programmes, et d’un « évaluateur » automatisé, dont le rôle est de filtrer les propositions erronées ou non pertinentes.
Le fonctionnement de FunSearch s’articule autour d’un processus itératif où le LLM propose des fragments de code répondant à un problème donné, tandis que l’évaluateur vérifie systématiquement leur validité et leur performance. Contrairement aux méthodes traditionnelles, où les chercheurs doivent manuellement tester des hypothèses, FunSearch automatise cette exploration en exploitant la capacité des LLM à produire des idées originales, tout en limitant les risques d’erreurs grâce à un mécanisme de validation rigoureux. Cette synergie permet d’accélérer la découverte de solutions optimales ou de preuves mathématiques, même dans des domaines complexes où les approches classiques peinent à progresser.
Les applications concrètes de FunSearch sont déjà prometteuses. Par exemple, la méthode a permis de résoudre des problèmes ouverts en optimisation combinatoire, comme l’amélioration d’algorithmes pour le bin packing (problème d’emballage de boîtes) ou la recherche de configurations optimales dans des espaces de solutions vastes et mal explorés. En générant et en testant automatiquement des milliers de variantes de code, FunSearch a identifié des solutions plus efficaces que celles connues auparavant, démontrant ainsi son potentiel pour repousser les limites de la recherche fondamentale.
Au-delà des résultats techniques, FunSearch illustre une nouvelle façon de collaborer entre l’intelligence artificielle et les chercheurs humains. Le LLM agit comme un assistant créatif, proposant des pistes inattendues, tandis que l’évaluateur garantit la fiabilité des découvertes. Cette approche pourrait révolutionner des domaines où l’intuition humaine et la puissance de calcul se complètent, comme la cryptographie, la théorie des graphes ou même la physique théorique. Cependant, des défis subsistent, notamment la nécessité d’adapter les évaluateurs à des problèmes toujours plus complexes et d’éviter les biais inhérents aux modèles de langage.
Enfin, FunSearch soulève des questions sur l’avenir de la recherche scientifique, où l’automatisation et l’IA pourraient jouer un rôle central dans la génération de connaissances. Bien que la méthode ne remplace pas l’expertise humaine, elle offre un outil puissant pour explorer des espaces de solutions trop vastes pour être couverts manuellement. Son développement ouvre la voie à une nouvelle ère de découvertes, où les machines ne se contentent plus de calculer, mais participent activement à l’invention de concepts mathématiques et algorithmiques inédits.