A DeepMind mátrix matematikát használ a jobb mátrix matematikai technikák felfedezésének automatizálására

A Google tulajdonában lévő DeepMind megerősített tanulási technikákat alkalmazott matematikai mátrixok szorzására, felülmúlva néhány ember által készített algoritmust, amelyek 50 éve működtek, és a számítástechnika fejlesztésén dolgoznak.

A 2010-ben Londonban alapított DeepMind arról vált híressé, hogy legyőzte a Go világbajnokot a társasjátékban. AlphaGo A mesterséges intelligencia és a fehérjehajtogatás elképesztően összetett kihívásának megoldása AlphaFold.

A kerekek a kerekek között mozgásban azóta magukra a matematikai problémákra helyezi a hangsúlyt.

Konkrétan a labor azt mondta, hogy kifejlesztették a módját automatizálja a felfedezést algoritmusok, amelyek parancsikonként működnek a mátrixok szorzásakor – ez a fejfájás oka sok tizenéves matematikus diák számára.

A matematikusok évek óta alkalmaznak algoritmusokat ezekhez az összetett tömbszorzásokhoz, amelyek közül néhányat a számítástechnikában, különösen a gépi tanulásban és az AI-ban használnak.

Azt mondták, hogy a DeepMind kutatója, Alhussein Fawzi és munkatársai mély megerősítést használtak a korábbi mátrixszorzó algoritmusok újrafelfedésére és újak megtalálására. A csapat létrehozta az AlphaTensor névre keresztelt rendszert, amely egy olyan játékot játszik, amelyben az a cél, hogy megtalálják a legjobb módszert két mátrix szorzására. Ha az AI-ügynök jól teljesít, megerősítik, hogy a jövőbeni siker nagyobb legyen.

Ez a folyamat újra és újra megismétlődik a visszacsatolás felhasználásával, így az ügynök érdekes és továbbfejlesztett módszereket generál a mátrixok szorzására. Azt mondják, hogy a DeepMind ügynökét arra kérték, hogy a lehető legkevesebb lépésben végezze el a mátrix matematikai munkát, és a lehetséges trillió lépések közül ki kellett találnia a legjobb utat.

Megjegyezzük, hogy ez az AI-ügynök valószínűleg mátrix matematikát használt a tanulási folyamata és a következtetés során; így a mátrixműveleteket a mátrixműveletek gyorsabb elvégzésének megtalálására használták.

Fawzi egy e heti sajtótájékoztatón elmondta, hogy a munka összetett volt, bár olyan problémákra algoritmusok kifejlesztését eredményezte, amelyeken az emberi kutatás több mint 50 éve nem javítottak.

A kutatók azt állították, hogy a technikák hasznosak lehetnek a szorzóalgoritmusokat használó számítási feladatoknál – például mesterséges intelligenciánál –, valamint bemutathatják, hogyan lehet a megerősítő tanulás segítségével új és váratlan megoldásokat találni az ismert problémákra, ugyanakkor megjegyzik néhány korlátot is. Például előre meghatározott komponensekre van szükség ahhoz, hogy a rendszer ne hiányozzon a hatékony algoritmusok egy részéből.

A szkeptikusok az AlphaFold alkalmazására utalhatnak, amely áttörést ígért a gyógyszerkutatásban az MI által támogatott fehérjekutatáson keresztül. Bár a modell szinte az összes felfedezett ismert fehérjeszerkezetet megjósolta, annak segítő képesség A tudósok felfedezik, hogy az új gyógyszereket továbbra sem bizonyították.

Mindenesetre ez számunkra úgy tűnik, mintha a gépi tanulást a gépi tanulás felgyorsítására használnák fel. ®