DeepMind wykorzystuje matematykę macierzową do automatyzacji odkrywania lepszych technik matematycznych na macierzach

Firma DeepMind, należąca do Google, zastosowała wzmocnione techniki uczenia się do mnożenia macierzy matematycznych, pokonując niektóre algorytmy stworzone przez człowieka, które przetrwały 50 lat i pracując nad udoskonaleniem informatyki.

Założona w Londynie w 2010 roku firma DeepMind zasłynęła z pokonania mistrza świata w grze planszowej Go z jego AlphaGo Sztuczna inteligencja i podjęcie niesamowicie złożonego wyzwania, jakim jest zwijanie białek z AlfaFold.

W ruchu „koła w kołach” od tego czasu skupił się na samych problemach matematycznych.

W szczególności laboratorium stwierdziło, że opracowało sposób na: zautomatyzować odkrycie algorytmów, które działają jak skróty przy mnożeniu macierzy – co jest przyczyną bólu głowy niejednego nastoletniego studenta matematyki.

Od lat matematycy stosują algorytmy do tych złożonych mnożeń tablicowych, z których niektóre są wykorzystywane w informatyce, zwłaszcza w uczeniu maszynowym i sztucznej inteligencji.

Powiedziano nam, że badacz DeepMind, Alhussein Fawzi i jego koledzy, wykorzystali głębokie wzmocnienie, aby na nowo odkryć wcześniejsze algorytmy mnożenia macierzy i znaleźć nowe. Zespół stworzył system nazwany AlphaTensor, który prowadzi grę, w której celem jest znalezienie najlepszego podejścia do mnożenia dwóch macierzy. Jeśli agent AI radzi sobie dobrze, zostaje wzmocniony, aby przyszły sukces był bardziej prawdopodobny.

Ten proces jest powtarzany w kółko, wykorzystując tę ​​informację zwrotną, dzięki czemu agent generuje interesujące i ulepszone sposoby mnożenia macierzy. Mówi się, że agent DeepMind musiał wykonać zadanie matematyczne w jak najmniejszej liczbie kroków i musiał znaleźć najlepszą drogę naprzód z potencjalnie bilionów możliwych ruchów.

Zauważamy, że ten agent AI prawdopodobnie używał matematyki macierzowej w procesie uczenia się i podczas wnioskowania; w związku z tym operacje na macierzach były używane do znajdowania szybszych sposobów wykonywania operacji na macierzach.

Fawzi powiedział na briefingu prasowym w tym tygodniu, że praca była złożona, ale zaowocowała opracowaniem algorytmów rozwiązywania problemów, które nie zostały ulepszone przez ponad 50 lat badań na ludziach, powiedział.

Naukowcy twierdzili, że techniki mogą przynosić korzyści zadaniom obliczeniowym wykorzystującym algorytmy mnożenia – takie jak sztuczna inteligencja – a także demonstrować, w jaki sposób można wykorzystać uczenie ze wzmocnieniem do znajdowania nowych i nieoczekiwanych rozwiązań znanych problemów, zwracając jednocześnie uwagę na pewne ograniczenia. Na przykład, predefiniowane komponenty są niezbędne, aby system nie utracił podzbioru wydajnych algorytmów.

Sceptycy mogą wskazywać na zastosowanie AlphaFold, który obiecywał przełom w odkrywaniu leków dzięki badaniom nad białkami wspieranymi przez sztuczną inteligencję. Chociaż model przewidział prawie wszystkie odkryte znane struktury białkowe, jego umiejętność pomocy naukowcy odkrywają, że nowe leki pozostają niesprawdzone.

W każdym razie wygląda to na to, że uczenie maszynowe jest wykorzystywane do przyspieszenia uczenia maszynowego. ®