Google-eide DeepMind har brukt forsterkede læringsteknikker til multiplikasjon av matematiske matriser, overgått noen menneskeskapte algoritmer som har vart i 50 år og arbeidet mot forbedringer innen informatikk.
Grunnlagt i London i 2010, har DeepMind blitt kjent for å slå verdensmesteren i brettspillet Go med sine AlphaGo AI og å ta på seg den ufattelig komplekse utfordringen med proteinfolding AlphaFold.
I en hjul-i-hjul-bevegelse har den siden rettet blikket mot matematiske problemer selv.
Spesielt sa laboratoriet at det utviklet en måte å automatisere oppdagelsen av algoritmer som fungerer som snarveier når man multipliserer matriser – årsaken til hodepine for mang en tenåringsmattestudent.
I årevis har matematikere brukt algoritmer på disse komplekse array-multiplikasjonene, hvorav noen brukes i informatikk, spesielt innen maskinlæring og AI.
Vi blir fortalt at DeepMind-forsker Alhussein Fawzi og hans kolleger brukte dyp forsterkning for å gjenoppdage tidligere matrisemultiplikasjonsalgoritmer og finne nye. Teamet opprettet et system, kalt AlphaTensor, som spiller et spill der målet er å finne den beste tilnærmingen til å multiplisere to matriser. Hvis AI-agenten gjør det bra, forsterkes den for å gjøre fremtidig suksess mer sannsynlig.
Denne prosessen gjentas om og om igjen ved å bruke denne tilbakemeldingen slik at agenten genererer interessante og forbedrede måter å multiplisere matriser på. Det sies at DeepMinds agent ble utfordret til å fullføre matrisemattearbeid i så få trinn som mulig, og måtte finne ut den beste veien videre fra potensielt billioner av mulige trekk.
Vi legger merke til at denne AI-agenten sannsynligvis brukte matrisematematikk i læringsprosessen og under inferens; derfor ble matriseoperasjoner brukt for å finne raskere måter å utføre matriseoperasjoner på.
Fawzi fortalte en pressekonferanse denne uken at arbeidet var komplekst, men resulterte i utviklingen av algoritmer for problemer som ikke har blitt forbedret i mer enn 50 år med menneskelig forskning, sa han.
Forskerne hevdet at teknikkene kan være til nytte for beregningsoppgaver som bruker multiplikasjonsalgoritmer – som AI – samt demonstrere hvordan forsterkende læring kan brukes til å finne nye og uventede løsninger på kjente problemer, samtidig som de noterer seg noen begrensninger. For eksempel er forhåndsdefinerte komponenter nødvendig for å unngå at systemet mangler et undersett av effektive algoritmer.
Skeptikere kan peke på bruken av AlphaFold, som lovet gjennombrudd innen legemiddeloppdagelse via AI-støttet proteinforskning. Selv om modellen har spådd nesten alle kjente proteinstrukturer som er oppdaget, er dens evne til å hjelpe forskere oppdager at nye medikamenter fortsatt er uprøvde.
Uansett ser dette for oss ut som maskinlæring som brukes til å akselerere maskinlæring. ®
- AI
- ai kunst
- ai art generator
- du har en robot
- kunstig intelligens
- sertifisering av kunstig intelligens
- kunstig intelligens i bankvirksomhet
- kunstig intelligens robot
- kunstig intelligens roboter
- programvare for kunstig intelligens
- blockchain
- blockchain konferanse ai
- coingenius
- samtale kunstig intelligens
- kryptokonferanse ai
- dall sin
- dyp læring
- google det
- maskinlæring
- plato
- plato ai
- Platon Data Intelligence
- Platon spill
- PlatonData
- platogaming
- skala ai
- syntaks
- Registeret
- zephyrnet