大規模言語モデルにおける計画のための前頭前野に着想を得たアーキテクチャ

Kernekoncepter

人間の脳からインスピレーションを受けたLLM-PFCアーキテクチャは、大規模言語モデルにおける計画能力を改善する可能性がある。

Resumé

大規模言語モデル（LLMs）は、多様なタスクで印象的なパフォーマンスを示すが、多段階の推論や目標指向の計画が必要なタスクに苦労する。この研究では、人間の脳から着想を得て、専門的なPFCモジュールと相互作用するLLMベース（GPT-4）モジュールで構成されたブラックボックスアーキテクチャを提案している。このアーキテクチャは、グラフトラバーサル、ハノイの塔、物流といった3つの難しい計画タスクで評価され、従来のLLM方法や競合基準よりも優れた結果を示した。これらの結果は、認知神経科学から得られた知識を活用してLLMsにおける計画能力を向上させる利点を示している。

Statistik

LLMsは時々これらの機能を分離して実行できますが、目標達成のためにそれらを自律的に調整することが困難です。
LLM-PFCアーキテクチャは特定のPFCサブリージョンからインスピレーションを受けています。
LLM-PFCは3つの挑戦的な計画タスクで顕著な改善をもたらしました。

Citater

"Large language models (LLMs) demonstrate impressive performance on a wide variety of tasks, but they often struggle with tasks that require multi-step reasoning or goal-directed planning."
"We propose a black box architecture with multiple LLM-based (GPT-4) modules."
"These results demonstrate the benefit of utilizing knowledge from cognitive neuroscience to improve planning in LLMs."

Vigtigste indsigter udtrukket fra

A Prefrontal Cortex-inspired Architecture for Planning in Large Language Models

by Taylor Webb,... kl. arxiv.org 03-06-2024

https://arxiv.org/pdf/2310.00194.pdf

Dybere Forespørgsler

どうやってLLM-PFCアプローチは他のAIシステムと異なりますか？

LLM-PFCアプローチは、人間の前頭前野（PFC）のモジュール構造に着想を得ており、複数の特化したLLMモジュールが協力して計画能力を向上させる点で他のAIシステムと異なります。従来の手法では、トークンレベルで探索することが一般的であったが、LLM-PFCでは自然言語に基づいた抽象レベルでタスク状態を予測し、意思決定する方法が取られています。また、このアプローチは制御された処理（system 2）に焦点を当てており、PFC依存性（すなわち「system 1」よりも高次な処理）と関連付けられる要素を組み込んでいます。