DeepMind utiliza matrices matemáticas para automatizar el descubrimiento de mejores técnicas de matrices matemáticas

DeepMind, propiedad de Google, ha aplicado técnicas de aprendizaje reforzado a la multiplicación de matrices matemáticas, superando algunos algoritmos creados por humanos que han durado 50 años y trabajando para mejorar la informática.

Fundada en Londres en 2010, DeepMind se hizo famosa por vencer al campeón mundial en el juego de mesa Go con su AlphaGo AI y asumir el desafío alucinantemente complejo del plegamiento de proteínas con AlphaFold.

En un movimiento de ruedas dentro de ruedas, desde entonces ha puesto su mirada en los problemas matemáticos mismos.

Específicamente, el laboratorio dijo que desarrolló una forma de automatizar el descubrimiento de algoritmos que actúan como atajos al multiplicar matrices, la causa de dolores de cabeza para muchos estudiantes adolescentes de matemáticas.

Durante años, los matemáticos han estado aplicando algoritmos a estas complejas multiplicaciones de matrices, algunas de las cuales se utilizan en informática, particularmente en aprendizaje automático e IA.

Se nos dice que el investigador de DeepMind Alhussein Fawzi y sus colegas utilizaron un refuerzo profundo para redescubrir algoritmos de multiplicación de matrices anteriores y encontrar otros nuevos. El equipo creó un sistema, denominado AlphaTensor, que juega un juego en el que el objetivo es encontrar el mejor enfoque para multiplicar dos matrices. Si el agente de IA lo hace bien, se refuerza para que el éxito futuro sea más probable.

Este proceso se repite una y otra vez utilizando esta retroalimentación para que el agente genere formas interesantes y mejoradas de multiplicar matrices. Se dice que el agente de DeepMind fue desafiado a completar el trabajo de matemáticas de matriz en la menor cantidad de pasos posible, y tuvo que encontrar la mejor manera de avanzar entre billones de posibles movimientos.

Notamos que este agente de IA probablemente estaba usando matrices matemáticas en su proceso de aprendizaje y durante la inferencia; por lo tanto, las operaciones matriciales se utilizaron para encontrar formas más rápidas de realizar operaciones matriciales.

Fawzi dijo en una conferencia de prensa esta semana que el trabajo fue complejo, aunque resultó en el desarrollo de algoritmos para problemas que no se han mejorado en más de 50 años de investigación en humanos, dijo.

Los investigadores afirmaron que las técnicas podrían beneficiar las tareas computacionales que usan algoritmos de multiplicación, como la IA, y demostrar cómo se puede usar el aprendizaje por refuerzo para encontrar soluciones nuevas e inesperadas a problemas conocidos, al tiempo que señalaron algunas limitaciones. Por ejemplo, los componentes predefinidos son necesarios para evitar que el sistema pierda un subconjunto de algoritmos eficientes.

Los escépticos pueden señalar la aplicación de AlphaFold, que prometía avances en el descubrimiento de fármacos a través de la investigación de proteínas respaldada por IA. Aunque el modelo ha predicho casi todas las estructuras conocidas de proteínas descubiertas, su habilidad para ayudar Los científicos descubren nuevos medicamentos aún no probados.

En cualquier caso, esto nos parece que el aprendizaje automático se utiliza para acelerar el aprendizaje automático. ®