DeepMind usa matemática de matriz para automatizar a descoberta de melhores técnicas de matemática de matriz

A DeepMind, de propriedade do Google, aplicou técnicas de aprendizado reforçadas à multiplicação de matrizes matemáticas, superando alguns algoritmos feitos por humanos que duraram 50 anos e trabalhando para melhorias na ciência da computação.

Fundada em Londres em 2010, a DeepMind ficou famosa por vencer o campeão mundial do jogo de tabuleiro Go com seu AlphaGo AI e assumir o desafio incrivelmente complexo de dobrar proteínas com AlfaFold.

Em um movimento de rodas dentro de rodas, desde então ele se voltou para os próprios problemas matemáticos.

Especificamente, o laboratório disse que desenvolveu uma maneira de automatize a descoberta de algoritmos que atuam como atalhos na multiplicação de matrizes – a causa de dores de cabeça para muitos estudantes de matemática adolescentes.

Durante anos, os matemáticos aplicaram algoritmos a essas multiplicações de matrizes complexas, algumas das quais são usadas em ciência da computação, particularmente em aprendizado de máquina e IA.

Fomos informados de que o pesquisador da DeepMind Alhussein Fawzi e seus colegas usaram reforço profundo para redescobrir algoritmos de multiplicação de matrizes anteriores e encontrar novos. A equipe criou um sistema, batizado de AlphaTensor, que joga um jogo em que o objetivo é encontrar a melhor abordagem para multiplicar duas matrizes. Se o agente de IA se sair bem, ele é reforçado para tornar mais provável o sucesso futuro.

Esse processo é repetido várias vezes usando esse feedback para que o agente gere maneiras interessantes e aprimoradas de multiplicar matrizes. Dizem que o agente da DeepMind foi desafiado a concluir o trabalho de matemática matricial no menor número de etapas possível e teve que descobrir o melhor caminho a seguir a partir de potencialmente trilhões de movimentos possíveis.

Observamos que esse agente de IA provavelmente estava usando matemática matricial em seu processo de aprendizado e durante a inferência; assim, as operações matriciais foram usadas para encontrar maneiras mais rápidas de fazer operações matriciais.

Fawzi disse em uma coletiva de imprensa nesta semana que o trabalho era complexo, mas resultou no desenvolvimento de algoritmos para problemas que não foram melhorados em mais de 50 anos de pesquisa em humanos, disse ele.

Os pesquisadores afirmaram que as técnicas podem beneficiar tarefas computacionais que usam algoritmos de multiplicação – como IA – bem como demonstrar como o aprendizado por reforço pode ser usado para encontrar soluções novas e inesperadas para problemas conhecidos, além de observar algumas limitações. Por exemplo, componentes predefinidos são necessários para evitar que o sistema perca um subconjunto de algoritmos eficientes.

Os céticos podem apontar para a aplicação do AlphaFold, que prometia avanços na descoberta de medicamentos por meio de pesquisas de proteínas apoiadas por IA. Embora o modelo tenha previsto quase todas as estruturas conhecidas de proteínas descobertas, sua capacidade de ajudar cientistas descobrem que novas drogas ainda não foram comprovadas.

De qualquer forma, isso para nós parece que o aprendizado de máquina está sendo usado para acelerar o aprendizado de máquina. ®