لقد فعلها DeepMind مرة أخرى.
بعد حل تحدٍ أساسي في علم الأحياء -توقع بنية البروتين-و فك تشابك رياضيات نظرية العقدة، فهي تهدف إلى عملية حوسبة أساسية مدمجة داخل آلاف التطبيقات اليومية. من تحليل الصور إلى نمذجة الطقس أو حتى التحقيق في الأعمال الداخلية للشبكات العصبية الاصطناعية ، يمكن للذكاء الاصطناعي نظريًا تسريع العمليات الحسابية عبر مجموعة من المجالات ، وزيادة الكفاءة مع تقليل استخدام الطاقة والتكاليف.
لكن الأكثر إثارة للإعجاب كيف فعلوها. الخوارزمية التي تحطم الرقم القياسي ، والتي يطلق عليها AlphaTensor ، هي جزء من AlphaZero، والتي اشتهرت بهزيمة اللاعبين البشريين في الشطرنج والجو.
"تم استخدام الخوارزميات في جميع أنحاء حضارات العالم لأداء العمليات الأساسية لآلاف السنين ،" كتب المؤلفون المشاركون د. ماتيج بالوج والحسين فوزي في DeepMind. "ومع ذلك ، فإن اكتشاف الخوارزميات يمثل تحديًا كبيرًا."
يشق AlphaTensor طريقًا إلى عالم جديد حيث يصمم الذكاء الاصطناعي برامج تتفوق في الأداء على أي شيء مهندس بشري ، بينما يعمل في نفس الوقت على تحسين "دماغ" الجهاز الخاص به.
قال الدكتور فيديريكو ليفي ، كبير المحررين في الطبيعة، التي نشرت الدراسة.
أدخل المصفوفة الضرب
المشكلة التي يواجهها AlphaTensor هي ضرب المصفوفة. إذا كنت تتخيل فجأة صفوفًا وأعمدة من الأرقام الخضراء تتحرك لأسفل شاشتك ، فأنت لست وحدك. بشكل تقريبي ، المصفوفة هي نوع من هذا القبيل - شبكة من الأرقام التي تمثل رقميا البيانات التي تختارها. يمكن أن تكون وحدات بكسل في صورة ، أو ترددات مقطع صوتي ، أو مظهر وأفعال الشخصيات في ألعاب الفيديو.
يأخذ ضرب المصفوفة شبكتين من الأرقام ويضرب أحدهما في الآخر. غالبًا ما يتم تدريس هذه العملية الحسابية في المدرسة الثانوية ولكنها أيضًا مهمة لأنظمة الحوسبة. هنا ، يتم ضرب صفوف الأعداد في إحدى المصفوفات مع أعمدة في مصفوفة أخرى. تنتج النتائج نتيجة — على سبيل المثال ، أمر لتكبير أو إمالة عرض مشهد لعبة فيديو. على الرغم من أن هذه الحسابات تعمل تحت الغطاء ، فإن أي شخص يستخدم الهاتف أو الكمبيوتر يعتمد على نتائجه كل يوم.
يمكنك أن ترى كيف يمكن أن تصبح المشكلة صعبة للغاية وسريعة للغاية. إن ضرب المصفوفات الكبيرة يتطلب طاقة ووقتًا بشكل لا يصدق. يجب ضرب كل زوج من الأرقام على حدة لإنشاء مصفوفة جديدة. مع نمو المصفوفات ، تصبح المشكلة بسرعة غير مقبولة - أكثر من التنبؤ بأفضل شطرنج أو حركات Go. يقدر بعض الخبراء أن هناك المزيد من الطرق لحل ضرب المصفوفة من عدد الذرات في الكون.
في عام 1969 ، أظهر عالم الرياضيات الألماني فولكر ستراسن أن هناك طرقًا لقطع الزوايا ، بقطع جولة واحدة من ضرب المصفوفة مرتين في اثنين من ما مجموعه ثمانية إلى سبعة. قد لا يبدو الأمر مثيرًا للإعجاب ، لكن طريقة Strassen أظهرت أنه من الممكن التغلب على معايير العمليات القديمة - أي الخوارزميات - لضرب المصفوفة. ساد نهجه ، خوارزمية Strassen ، باعتباره النهج الأكثر كفاءة لأكثر من 50 عامًا.
ولكن ماذا لو كانت هناك طرق أكثر كفاءة؟ "لا أحد يعرف أفضل خوارزمية لحلها ،" الدكتور فرانسوا لو غال من جامعة ناغويا باليابان ، والذي لم يشارك في العمل ، قال معهد ماساتشوستس للتكنولوجيا تكنولوجي ريفيو. "إنها واحدة من أكبر المشكلات المفتوحة في علوم الكمبيوتر."
خوارزميات مطاردة الذكاء الاصطناعي
إذا كان الحدس البشري يتعثر ، فلماذا لا ندخل إلى العقل الميكانيكي؟
في الدراسة الجديدة ، حوّل فريق DeepMind مضاعفة المصفوفة إلى لعبة. على غرار سلفه AlphaZero ، يستخدم AlphaTensor التعلم المعزز العميق ، وهو أسلوب تعلم آلي مستوحى من طريقة تعلم العقول البيولوجية. هنا ، يتفاعل عامل الذكاء الاصطناعي (غالبًا شبكة عصبية اصطناعية) مع بيئته لحل مشكلة متعددة الخطوات. إذا نجحت ، فإنها تكسب "مكافأة" - أي ، يتم تحديث معلمات شبكة الذكاء الاصطناعي ، لذا فمن المرجح أن تنجح مرة أخرى في المستقبل.
إنه مثل تعلم قلب فطيرة. ستسقط الكثير في البداية على الأرض ، ولكن في النهاية ستتعلم شبكاتك العصبية حركات الذراع واليد من أجل قلب مثالي.
ميدان التدريب لـ AlphaTensor هو نوع من ألعاب الألواح ثلاثية الأبعاد. إنها في الأساس لعبة أحجية من لاعب واحد تشبه إلى حد كبير لعبة Sudoku. يجب أن يضاعف الذكاء الاصطناعي شبكات الأرقام في أقل عدد ممكن من الخطوات ، مع الاختيار من بين عدد لا يحصى من الحركات المسموح بها - أكثر من تريليون منها.
تم تصميم هذه التحركات المسموح بها بدقة في AlphaTensor. في إيجاز صحفي ، أوضح المؤلف المشارك الدكتور حسين فوزي: "صياغة مساحة الاكتشاف الحسابي معقدة للغاية ... والأكثر صعوبة ، كيف يمكننا التنقل في هذا الفضاء."
بعبارة أخرى ، عندما نواجه مجموعة محيرة للعقل من الخيارات ، كيف يمكننا تضييقها لتحسين فرصنا في العثور على الإبرة في كومة القش؟ وكيف يمكننا وضع إستراتيجية أفضل للوصول إلى الإبرة دون الحفر في كومة القش بأكملها؟
إحدى الحيل التي قام الفريق بدمجها في AlphaTensor هي طريقة تسمى البحث الشجري. بدلاً من ، من الناحية المجازية ، الحفر بشكل عشوائي في كومة القش ، هنا يقوم الذكاء الاصطناعي بالتحقيق في "الطرق" التي يمكن أن تؤدي إلى نتيجة أفضل. ثم تساعد التعلم المتوسطة الذكاء الاصطناعي في التخطيط لخطوته التالية لتعزيز فرص النجاح. أظهر الفريق أيضًا عينات خوارزمية للألعاب الناجحة ، مثل تعليم الطفل حركات الشطرنج الافتتاحية. أخيرًا ، بمجرد أن اكتشف الذكاء الاصطناعي التحركات القيمة ، سمح له الفريق بإعادة ترتيب تلك العمليات للحصول على مزيد من التعلم المخصص بحثًا عن نتيجة أفضل.
كسر أرضية جديدة
لعبت AlphaTensor بشكل جيد. في سلسلة من الاختبارات ، تحدى الفريق الذكاء الاصطناعي لإيجاد الحلول الأكثر فاعلية للمصفوفات حتى خمسة في خمسة - أي بخمسة أرقام في كل صف أو عمود.
أعادت الخوارزمية اكتشاف الاختراق الأصلي لستراسن بسرعة ، لكنها تجاوزت بعد ذلك جميع الحلول التي ابتكرها العقل البشري سابقًا. باختبار الذكاء الاصطناعي بأحجام مختلفة من المصفوفات ، وجد AlphaTensor حلولًا أكثر كفاءة لأكثر من 70. "في الواقع ، يكتشف AlphaTensor عادةً آلاف الخوارزميات لكل حجم مصفوفة ،" قال الفريق. "إنه أمر محير للعقل."
في إحدى الحالات ، بضرب مصفوفة خماسية في خمسة بأربعة في خمسة واحد ، قلص الذكاء الاصطناعي الرقم القياسي السابق البالغ 80 مضاعفة فردية إلى 76 فقط. مصفوفات 919 × 896 من XNUMX إلى XNUMX.
إثبات المفهوم في متناول اليد ، تحول الفريق إلى الاستخدام العملي. غالبًا ما يتم تصميم شرائح الكمبيوتر لتحسين العمليات الحسابية المختلفة - وحدات معالجة الرسومات للرسومات ، على سبيل المثال ، أو رقائق الذكاء الاصطناعي للتعلم الآلي- وتؤدي مطابقة الخوارزمية مع أفضل الأجهزة الملائمة إلى زيادة الكفاءة.
هنا ، استخدم الفريق AlphaTensor للعثور على خوارزميات لشريحتين شائعتين في التعلم الآلي: NVIDIA V100 GPU و Google TPU. إجمالاً ، عززت الخوارزميات المطورة بالذكاء الاصطناعي السرعة الحاسوبية بنسبة تصل إلى 20 بالمائة.
من الصعب تحديد ما إذا كان بإمكان الذكاء الاصطناعي أيضًا تسريع الهواتف الذكية أو أجهزة الكمبيوتر المحمولة أو الأجهزة اليومية الأخرى. مع ذلك ، قالت الدكتورة فيرجينيا ويليامز من معهد ماساتشوستس للتكنولوجيا: "سيكون هذا التطور مثيرًا للغاية إذا أمكن استخدامه في الممارسة العملية". "تحسين الأداء سيحسن الكثير من التطبيقات."
عقل الذكاء الاصطناعي
على الرغم من تحطيم AlphaTensor لأحدث سجل بشري لمضاعفة المصفوفة ، إلا أن فريق DeepMind لا يمكنه حتى الآن تفسير السبب.
قال عالم DeepMind والمؤلف المشارك الدكتور Pushmeet Kohli في مؤتمر صحفي: "لقد حصلت على هذا الحدس المذهل من خلال لعب هذه الألعاب".
لا يجب أن تكون الخوارزميات المتطورة أيضًا إنسانًا مقابل الآلات.
في حين أن AlphaTensor هو نقطة انطلاق نحو خوارزميات أسرع ، يمكن أن توجد خوارزميات أسرع. كتب بالوج وفوزي: "نظرًا لأنه يحتاج إلى حصر بحثه في خوارزميات ذات شكل معين ، فقد يغيب عن الأنواع الأخرى من الخوارزميات التي قد تكون أكثر كفاءة".
ربما سيجمع المسار الأكثر إثارة للاهتمام بين حدس الإنسان والآلة. "سيكون من الجيد معرفة ما إذا كانت هذه الطريقة الجديدة تشمل بالفعل جميع الطرق السابقة ، أو ما إذا كان يمكنك دمجها والحصول على شيء أفضل ،" محمد وليامز. يتفق خبراء آخرون. مع ثروة من الخوارزميات الموجودة تحت تصرفهم ، يمكن للعلماء البدء في تشريحها بحثًا عن أدلة على ما جعل حلول AlphaTensor علامة ، مما يمهد الطريق للاختراق التالي.
حقوق الصورة: DeepMind
