DeepMind utilizza la matematica a matrice per automatizzare la scoperta di migliori tecniche di matematica a matrice

DeepMind, di proprietà di Google, ha applicato tecniche di apprendimento rinforzato alla moltiplicazione di matrici matematiche, battendo alcuni algoritmi creati dall'uomo che sono durati 50 anni e lavorando per miglioramenti nell'informatica.

Fondata a Londra nel 2010, DeepMind è diventata famosa per aver battuto il campione del mondo nel gioco da tavolo Go con i suoi AlphaGo AI e affrontare la sfida incredibilmente complessa del ripiegamento delle proteine AlphaFold.

In un movimento ruota dentro le ruote, da allora ha messo gli occhi su problemi matematici stessi.

In particolare, il laboratorio ha affermato di aver sviluppato un modo per farlo automatizzare la scoperta di algoritmi che fungono da scorciatoie quando si moltiplicano le matrici, causa di mal di testa per molti studenti di matematica adolescenti.

Per anni, i matematici hanno applicato algoritmi a queste complesse moltiplicazioni di array, alcune delle quali sono utilizzate nell'informatica, in particolare nell'apprendimento automatico e nell'intelligenza artificiale.

Ci è stato detto che il ricercatore di DeepMind Alhussein Fawzi e i suoi colleghi hanno utilizzato il rinforzo profondo per riscoprire i precedenti algoritmi di moltiplicazione di matrici e trovarne di nuovi. Il team ha creato un sistema, chiamato AlphaTensor, che svolge un gioco in cui l'obiettivo è trovare l'approccio migliore per moltiplicare due matrici. Se l'agente AI fa bene, viene rinforzato per rendere più probabile il successo futuro.

Questo processo viene ripetuto più e più volte utilizzando questo feedback in modo che l'agente generi modi interessanti e migliorati per moltiplicare le matrici. Si dice che l'agente di DeepMind sia stato sfidato a completare il lavoro di matematica sulle matrici nel minor numero possibile di passaggi e abbia dovuto trovare il modo migliore per andare avanti da potenzialmente trilioni di mosse possibili.

Notiamo che questo agente di intelligenza artificiale stava probabilmente utilizzando la matematica a matrice nel suo processo di apprendimento e durante l'inferenza; quindi, le operazioni sulle matrici sono state utilizzate per trovare modi più veloci per eseguire le operazioni sulle matrici.

Fawzi ha detto in una conferenza stampa questa settimana che il lavoro è stato complesso anche se ha portato allo sviluppo di algoritmi per problemi che non sono stati migliorati in più di 50 anni di ricerca umana, ha affermato.

I ricercatori hanno affermato che le tecniche potrebbero avvantaggiare attività computazionali che utilizzano algoritmi di moltiplicazione, come l'IA, oltre a dimostrare come l'apprendimento per rinforzo può essere utilizzato per trovare soluzioni nuove e inaspettate a problemi noti, notando anche alcune limitazioni. Ad esempio, sono necessari componenti predefiniti per evitare che nel sistema manchi un sottoinsieme di algoritmi efficienti.

Gli scettici potrebbero indicare l'applicazione di AlphaFold, che ha promesso scoperte nella scoperta di farmaci attraverso la ricerca sulle proteine ​​supportata dall'IA. Sebbene il modello abbia previsto quasi tutte le strutture proteiche conosciute scoperte, la sua capacità di aiutare gli scienziati scoprono che i nuovi farmaci non sono stati provati.

In ogni caso, a noi sembra che l'apprendimento automatico venga utilizzato per accelerare l'apprendimento automatico. ®