DeepMind bruger matrixmatematik til at automatisere opdagelsen af ​​bedre matrixmatematikteknikker

Google-ejede DeepMind har anvendt forstærkede læringsteknikker til multiplikation af matematiske matricer, slået nogle menneskeskabte algoritmer, der har varet 50 år, og arbejder hen imod forbedringer inden for datalogi.

DeepMind blev grundlagt i London i 2010 og er blevet berømt for at slå verdensmesteren i brætspil Go med sit AlphaGo AI og tage fat på den forbløffende komplekse udfordring med proteinfoldning AlphaFold.

I en hjul-i-hjul-bevægelse har den siden selv rettet sig mod matematiske problemer.

Specifikt sagde laboratoriet, at det udviklede en måde at automatisere opdagelsen af algoritmer, der fungerer som genveje, når man multiplicerer matricer - årsagen til hovedpine for mangen en teenage-matematikstuderende.

I årevis har matematikere anvendt algoritmer til disse komplekse array-multiplikationer, hvoraf nogle bruges i datalogi, især i maskinlæring og kunstig intelligens.

Vi får at vide, at DeepMind-forsker Alhussein Fawzi og hans kolleger brugte dyb forstærkning til at genopdage tidligere matrixmultiplikationsalgoritmer og finde nye. Holdet skabte et system, kaldet AlphaTensor, der spiller et spil, hvor målet er at finde den bedste tilgang til at multiplicere to matricer. Hvis AI-agenten klarer sig godt, forstærkes den for at gøre fremtidig succes mere sandsynlig.

Denne proces gentages igen og igen ved hjælp af denne feedback, så agenten genererer interessante og forbedrede måder at multiplicere matricer på. Det siges, at DeepMinds agent blev udfordret til at udføre matrix-matematikarbejde i så få trin som muligt og skulle finde ud af den bedste vej frem ud fra potentielt billioner af mulige træk.

Vi bemærker, at denne AI-agent sandsynligvis brugte matrixmatematik i sin læreproces og under inferens; derfor blev matrixoperationer brugt til at finde hurtigere måder at udføre matrixoperationer på.

Fawzi fortalte en pressebriefing i denne uge, at arbejdet var komplekst, selvom det resulterede i udviklingen af ​​algoritmer til problemer, som ikke er blevet forbedret i mere end 50 års forskning på mennesker, sagde han.

Forskerne hævdede, at teknikkerne kunne gavne beregningsopgaver, der bruger multiplikationsalgoritmer - såsom AI - samt demonstrere, hvordan forstærkningslæring kan bruges til at finde nye og uventede løsninger på kendte problemer, samtidig med at de bemærker nogle begrænsninger. For eksempel er foruddefinerede komponenter nødvendige for at undgå, at systemet mangler en delmængde af effektive algoritmer.

Skeptikere kan pege på anvendelsen af ​​AlphaFold, som lovede gennembrud inden for opdagelse af lægemidler via AI-støttet proteinforskning. Selvom modellen har forudsagt næsten alle kendte proteinstrukturer, er dens evne til at hjælpe forskere opdager, at nye lægemidler forbliver ubeviste.

Under alle omstændigheder ligner dette for os maskinlæring, der bruges til at accelerere maskinlæring. ®