DeepMind käyttää matriisimatematiikkaa automatisoidakseen parempien matriisimatematiikan tekniikoiden löytämisen

Googlen omistama DeepMind on soveltanut vahvistettuja oppimistekniikoita matemaattisten matriisien kertomiseen, päihittämällä joitain ihmisen tekemiä algoritmeja, jotka ovat kestäneet 50 vuotta ja pyrkien parantamaan tietojenkäsittelytieteitä.

Lontoossa vuonna 2010 perustettu DeepMind on tullut tunnetuksi voittaessaan lautapeli Go maailmanmestarin. AlphaGo Tekoäly ja proteiinin laskostamisen hämmästyttävän monimutkainen haaste AlphaFold.

Pyörät pyörien sisällä -liikkeessä se on sittemmin kiinnittänyt huomionsa itse matemaattisiin ongelmiin.

Erityisesti laboratorio sanoi kehittäneensä tavan automatisoida löydön algoritmeja, jotka toimivat oikopolkuina matriiseja kertoessa – päänsäryn syy monille teini-ikäisille matematiikan opiskelijalle.

Matemaatikko on vuosien ajan soveltanut algoritmeja näihin monimutkaisiin taulukoiden kertolaskuihin, joista osaa käytetään tietojenkäsittelytieteessä, erityisesti koneoppimisessa ja tekoälyssä.

Meille kerrotaan, että DeepMind-tutkija Alhussein Fawzi ja hänen kollegansa käyttivät syvää vahvistusta löytääkseen uudelleen aikaisemmat matriisin kertolaskualgoritmit ja löytääkseen uusia. Tiimi loi järjestelmän, nimeltään AlphaTensor, joka pelaa peliä, jossa tavoitteena on löytää paras tapa kertoa kaksi matriisia. Jos tekoälyagentti pärjää hyvin, sitä vahvistetaan, jotta tuleva menestys olisi todennäköisempää.

Tämä prosessi toistetaan yhä uudelleen käyttämällä tätä palautetta, jotta agentti luo mielenkiintoisia ja parempia tapoja kertoa matriiseja. Sanotaan, että DeepMindin agentti haastettiin suorittamaan matriisimatematiikan työ mahdollisimman harvoin, ja hänen täytyi keksiä paras tapa edetä mahdollisesti biljoonista mahdollisista liikkeistä.

Huomaamme, että tämä tekoälyagentti käytti todennäköisesti matriisimatematiikkaa oppimisprosessissaan ja päättelyn aikana; näin ollen matriisioperaatioita käytettiin löytämään nopeampia tapoja tehdä matriisioperaatioita.

Fawzi kertoi tällä viikolla pidetyssä lehdistötilaisuudessa, että työ oli monimutkaista, vaikka sen tuloksena kehitettiin algoritmeja ongelmiin, joita ei ole parannettu yli 50 vuoden ihmistutkimuksen aikana, hän sanoi.

Tutkijat väittivät, että tekniikat voisivat hyötyä laskennallisissa tehtävissä, joissa käytetään kertoalgoritmeja - kuten tekoälyä - sekä osoittaa, kuinka vahvistusoppimista voidaan käyttää uusien ja odottamattomien ratkaisujen löytämiseen tunnettuihin ongelmiin, samalla kun huomioivat joitain rajoituksia. Esimerkiksi ennalta määritetyt komponentit ovat välttämättömiä, jotta järjestelmä ei menetä tehokkaita algoritmeja.

Skeptikot saattavat viitata AlphaFoldin sovellukseen, joka lupasi läpimurtoja lääkekehityksessä tekoälyn tukeman proteiinitutkimuksen kautta. Vaikka malli on ennustanut lähes kaikki löydetyt tunnetut proteiinirakenteet, sen kyky auttaa tutkijat havaitsevat, että uusia lääkkeitä ei ole todistettu.

Joka tapauksessa tämä näyttää meistä siltä, ​​että koneoppimista käytetään koneoppimisen nopeuttamiseen. ®