DeepMind utilise les mathématiques matricielles pour automatiser la découverte de meilleures techniques de mathématiques matricielles

DeepMind, propriété de Google, a appliqué des techniques d'apprentissage renforcées à la multiplication de matrices mathématiques, battant certains algorithmes créés par l'homme qui ont duré 50 ans et travaillant à l'amélioration de l'informatique.

Fondé à Londres en 2010, DeepMind est devenu célèbre pour avoir battu le champion du monde au jeu de société Go avec son AlphaGo l'IA et relever le défi époustouflant du repliement des protéines avec AlphaFold.

Dans un mouvement de roues dans les roues, il a depuis jeté son dévolu sur les problèmes mathématiques eux-mêmes.

Plus précisément, le laboratoire a déclaré avoir développé un moyen de automatiser la découverte d'algorithmes qui agissent comme des raccourcis lors de la multiplication de matrices - la cause de maux de tête pour de nombreux étudiants en mathématiques adolescents.

Depuis des années, les mathématiciens appliquent des algorithmes à ces multiplications de tableaux complexes, dont certains sont utilisés en informatique, notamment en machine learning et en IA.

On nous dit que le chercheur de DeepMind, Alhussein Fawzi, et ses collègues ont utilisé le renforcement profond pour redécouvrir les anciens algorithmes de multiplication matricielle et en trouver de nouveaux. L'équipe a créé un système, baptisé AlphaTensor, qui joue à un jeu dans lequel le but est de trouver la meilleure approche pour multiplier deux matrices. Si l’agent IA réussit, il est renforcé pour rendre le succès futur plus probable.

Ce processus est répété encore et encore en utilisant ces commentaires afin que l'agent génère des moyens intéressants et améliorés de multiplier les matrices. On dit que l’agent de DeepMind a été mis au défi de réaliser un travail de calcul matriciel en aussi peu d’étapes que possible et a dû trouver la meilleure voie à suivre parmi des milliards de mouvements possibles.

Nous notons que cet agent d'IA utilisait probablement les mathématiques matricielles dans son processus d'apprentissage et lors de l'inférence ; ainsi, les opérations matricielles ont été utilisées pour trouver des moyens plus rapides d'effectuer des opérations matricielles.

Fawzi a déclaré lors d'un point de presse cette semaine que le travail était complexe mais a abouti au développement d'algorithmes pour des problèmes qui n'ont pas été améliorés en plus de 50 ans de recherche sur l'homme, a-t-il déclaré.

Les chercheurs ont affirmé que les techniques pourraient bénéficier aux tâches de calcul qui utilisent des algorithmes de multiplication - tels que l'IA - et démontrer comment l'apprentissage par renforcement peut être utilisé pour trouver des solutions nouvelles et inattendues à des problèmes connus, tout en notant certaines limites. Par exemple, des composants prédéfinis sont nécessaires pour éviter que le système ne manque un sous-ensemble d'algorithmes efficaces.

Les sceptiques peuvent pointer vers l'application d'AlphaFold, qui a promis des percées dans la découverte de médicaments via la recherche sur les protéines soutenue par l'IA. Bien que le modèle ait prédit presque toutes les structures protéiques connues découvertes, son capacité à aider les scientifiques découvrent de nouveaux médicaments qui n'ont pas encore fait leurs preuves.

Dans tous les cas, cela ressemble à l'apprentissage automatique utilisé pour accélérer l'apprentissage automatique. ®