DeepMind verwendet Matrizenmathematik, um die Entdeckung besserer Matrizenmathematiktechniken zu automatisieren

Das Google-eigene Unternehmen DeepMind hat verstärkte Lerntechniken auf die Multiplikation mathematischer Matrizen angewendet, einige von Menschen gemachte Algorithmen geschlagen, die 50 Jahre überdauert haben, und auf Verbesserungen in der Informatik hingearbeitet.

DeepMind wurde 2010 in London gegründet und ist berühmt dafür geworden, den Weltmeister im Brettspiel Go mit seinem zu schlagen AlphaGo KI und sich der verblüffend komplexen Herausforderung der Proteinfaltung stellen AlphaFold.

In einer Rad-in-Räder-Aktion hat es inzwischen mathematische Probleme selbst ins Visier genommen.

Insbesondere sagte das Labor, es habe einen Weg dazu entwickelt die Erkennung automatisieren von Algorithmen, die beim Multiplizieren von Matrizen als Abkürzung fungieren – was vielen jugendlichen Mathematikstudenten Kopfschmerzen bereitet.

Mathematiker wenden seit Jahren Algorithmen auf diese komplexen Array-Multiplikationen an, die teilweise in der Informatik, insbesondere im maschinellen Lernen und in der KI, verwendet werden.

Uns wurde gesagt, dass der DeepMind-Forscher Alhussein Fawzi und seine Kollegen Deep Reinforcement verwendeten, um frühere Matrixmultiplikationsalgorithmen wiederzuentdecken und neue zu finden. Das Team hat ein System namens AlphaTensor entwickelt, das ein Spiel spielt, bei dem das Ziel darin besteht, den besten Ansatz zur Multiplikation zweier Matrizen zu finden. Wenn der KI-Agent gut abschneidet, wird er verstärkt, um zukünftige Erfolge wahrscheinlicher zu machen.

Dieser Prozess wird unter Verwendung dieses Feedbacks immer wieder wiederholt, sodass der Agent interessante und verbesserte Möglichkeiten zum Multiplizieren von Matrizen generiert. Es wird gesagt, dass der Agent von DeepMind herausgefordert wurde, die Matrix-Mathematikarbeit in so wenigen Schritten wie möglich abzuschließen, und musste aus potenziell Billionen möglicher Züge den besten Weg nach vorne finden.

Wir stellen fest, dass dieser KI-Agent wahrscheinlich Matrixmathematik in seinem Lernprozess und während der Schlussfolgerung verwendet hat; Daher wurden Matrixoperationen verwendet, um schnellere Wege zur Durchführung von Matrixoperationen zu finden.

Fawzi sagte diese Woche auf einer Pressekonferenz, die Arbeit sei komplex, führte jedoch zur Entwicklung von Algorithmen für Probleme, die in mehr als 50 Jahren menschlicher Forschung nicht verbessert wurden, sagte er.

Die Forscher behaupteten, die Techniken könnten Rechenaufgaben zugute kommen, die Multiplikationsalgorithmen – wie KI – verwenden, und zeigen, wie verstärktes Lernen verwendet werden kann, um neue und unerwartete Lösungen für bekannte Probleme zu finden, wobei sie auch einige Einschränkungen feststellten. Beispielsweise sind vordefinierte Komponenten erforderlich, um zu vermeiden, dass dem System eine Teilmenge effizienter Algorithmen fehlt.

Skeptiker könnten auf die Anwendung von AlphaFold verweisen, das Durchbrüche in der Wirkstoffforschung durch KI-gestützte Proteinforschung versprach. Obwohl das Modell fast alle bekannten entdeckten Proteinstrukturen vorhergesagt hat, ist es Fähigkeit zu helfen Wissenschaftler entdecken neue Medikamente bleibt unbewiesen.

Auf jeden Fall sieht das für uns so aus, als würde maschinelles Lernen verwendet, um maschinelles Lernen zu beschleunigen. ®