DeepMind از ریاضیات ماتریس برای کشف خودکار تکنیک های ریاضی بهتر ماتریس استفاده می کند

DeepMind که متعلق به گوگل است، تکنیک‌های یادگیری تقویت‌شده را برای ضرب ماتریس‌های ریاضی به کار برده است و برخی از الگوریتم‌های ساخت بشر را که ۵۰ سال دوام داشته‌اند، شکست داده و در جهت پیشرفت در علوم کامپیوتر تلاش می‌کند.

DeepMind که در سال 2010 در لندن تأسیس شد، با شکست دادن قهرمان جهان در بازی تخته Go با آن به شهرت رسید. آلفاگو هوش مصنوعی و چالش پیچیده پیچیده تا کردن پروتئین با آلفافولد.

در حرکت چرخ‌ها در درون چرخ‌ها، از آن زمان به بعد خودش مسائل ریاضی را مورد توجه قرار داده است.

به طور خاص، آزمایشگاه گفت که راهی برای این کار ایجاد کرده است خودکار کردن کشف الگوریتم‌هایی که هنگام ضرب ماتریس‌ها به عنوان میانبر عمل می‌کنند - علت سردرد بسیاری از دانش‌آموزان نوجوان ریاضی.

برای سال‌ها، ریاضی‌دانان الگوریتم‌هایی را برای ضرب آرایه‌های پیچیده به کار می‌برند، که برخی از آنها در علوم کامپیوتر، به‌ویژه در یادگیری ماشین و هوش مصنوعی استفاده می‌شوند.

به ما گفته شده که محقق DeepMind، الحسین فوزی و همکارانش از تقویت عمیق برای کشف مجدد الگوریتم‌های ضرب ماتریس قبلی و یافتن الگوریتم‌های جدید استفاده کردند. این تیم سیستمی به نام AlphaTensor ایجاد کردند که بازی ای را انجام می دهد که در آن هدف یافتن بهترین رویکرد برای ضرب دو ماتریس است. اگر عامل هوش مصنوعی به خوبی عمل کند، تقویت می شود تا موفقیت در آینده بیشتر شود.

این فرآیند بارها و بارها با استفاده از این بازخورد تکرار می‌شود تا عامل روش‌های جالب و بهبود یافته‌ای برای ضرب ماتریس‌ها ایجاد کند. گفته می‌شود که نماینده DeepMind برای تکمیل کار ریاضی ماتریس در کمترین مرحله ممکن به چالش کشیده شد و باید بهترین راه را از بین تریلیون‌ها حرکت ممکن پیدا می‌کرد.

توجه داشته باشیم که این عامل هوش مصنوعی احتمالاً از ریاضیات ماتریس در فرآیند یادگیری خود و در طول استنتاج استفاده می کرده است. بنابراین، عملیات ماتریسی برای یافتن راه‌های سریع‌تر برای انجام عملیات ماتریسی مورد استفاده قرار گرفت.

فوزی در یک نشست مطبوعاتی این هفته گفت که این کار پیچیده بود، اگرچه منجر به توسعه الگوریتم هایی برای مسائلی شد که در بیش از 50 سال تحقیقات انسانی بهبود نیافته بودند.

محققان ادعا کردند که این تکنیک‌ها می‌توانند به وظایف محاسباتی که از الگوریتم‌های ضرب استفاده می‌کنند - مانند هوش مصنوعی - و همچنین نشان دهند که چگونه می‌توان از یادگیری تقویتی برای یافتن راه‌حل‌های جدید و غیرمنتظره برای مشکلات شناخته‌شده استفاده کرد و در عین حال به برخی محدودیت‌ها اشاره کرد. به عنوان مثال، اجزای از پیش تعریف شده برای جلوگیری از از دست دادن زیرمجموعه ای از الگوریتم های کارآمد توسط سیستم ضروری هستند.

بدبینان ممکن است به کاربرد AlphaFold اشاره کنند که نوید موفقیت در کشف دارو از طریق تحقیقات پروتئینی با پشتیبانی هوش مصنوعی را می داد. اگرچه این مدل تقریباً تمام ساختارهای پروتئینی شناخته شده کشف شده را پیش‌بینی کرده است توانایی کمک کردن دانشمندان کشف کردند که داروهای جدید ثابت نشده است.

در هر صورت، این برای ما شبیه به استفاده از یادگیری ماشینی برای تسریع یادگیری ماشینی است. ®