DeepMind gebruikt matrix wiskunde om de ontdekking van betere matrix wiskunde technieken te automatiseren

DeepMind, eigendom van Google, heeft versterkte leertechnieken toegepast op de vermenigvuldiging van wiskundige matrices, waarbij een aantal door mensen gemaakte algoritmen die 50 jaar hebben geduurd, werden verslagen en gewerkt aan verbeteringen in de informatica.

DeepMind, opgericht in Londen in 2010, is beroemd geworden door het verslaan van de wereldkampioen bij bordspel Go met zijn AlphaGo AI en de verbijsterend complexe uitdaging van eiwitvouwing aangaan met AlphaFold.

In een wielen-in-wielen-beweging heeft het sindsdien zijn zinnen gezet op wiskundige problemen zelf.

In het bijzonder zei het laboratorium dat het een manier had ontwikkeld om automatiseer de ontdekking van algoritmen die fungeren als snelkoppelingen bij het vermenigvuldigen van matrices - de oorzaak van hoofdpijn voor menig tiener wiskundestudent.

Wiskundigen passen al jaren algoritmen toe op deze complexe matrixvermenigvuldigingen, waarvan sommige worden gebruikt in de informatica, met name in machine learning en AI.

Er is ons verteld dat DeepMind-onderzoeker Alhussein Fawzi en zijn collega's diepe versterking gebruikten om eerdere matrixvermenigvuldigingsalgoritmen te herontdekken en nieuwe te vinden. Het team creëerde een systeem, AlphaTensor genaamd, dat een spel speelt waarin het doel is om de beste manier te vinden om twee matrices te vermenigvuldigen. Als de AI-agent het goed doet, wordt deze versterkt om toekomstig succes waarschijnlijker te maken.

Dit proces wordt keer op keer herhaald met behulp van deze feedback, zodat de agent interessante en verbeterde manieren genereert om matrices te vermenigvuldigen. Er wordt gezegd dat de agent van DeepMind werd uitgedaagd om matrixwiskundig werk in zo min mogelijk stappen te voltooien, en de beste weg vooruit moest vinden uit mogelijk triljoenen mogelijke zetten.

We merken op dat deze AI-agent waarschijnlijk matrixwiskunde gebruikte in zijn leerproces en tijdens gevolgtrekking; dus werden matrixbewerkingen gebruikt om snellere manieren te vinden om matrixbewerkingen uit te voeren.

Fawzi vertelde deze week op een persconferentie dat het werk complex was, maar resulteerde in de ontwikkeling van algoritmen voor problemen die in meer dan 50 jaar menselijk onderzoek niet zijn verbeterd, zei hij.

De onderzoekers beweerden dat de technieken zouden kunnen profiteren van computationele taken die gebruikmaken van vermenigvuldigingsalgoritmen - zoals AI - en laten zien hoe versterkingsleren kan worden gebruikt om nieuwe en onverwachte oplossingen voor bekende problemen te vinden, terwijl ze ook enkele beperkingen opmerken. Er zijn bijvoorbeeld vooraf gedefinieerde componenten nodig om te voorkomen dat het systeem een ​​subset van efficiënte algoritmen mist.

Sceptici kunnen wijzen op de toepassing van AlphaFold, dat doorbraken in het ontdekken van medicijnen beloofde via AI-ondersteund eiwitonderzoek. Hoewel het model bijna alle bekende eiwitstructuren heeft voorspeld, is het vermogen om te helpen wetenschappers ontdekken dat nieuwe medicijnen nog steeds niet bewezen zijn.

Dit lijkt ons in ieder geval erop dat machine learning wordt gebruikt om machine learning te versnellen. ®