DeepMind folosește matematica matriceală pentru a automatiza descoperirea unor tehnici mai bune de matematică matriceală

DeepMind, deținut de Google, a aplicat tehnici de învățare consolidate la multiplicarea matricelor matematice, depășind niște algoritmi creați de om care au durat 50 de ani și lucrând spre îmbunătățiri în informatică.

Fondată la Londra în 2010, DeepMind a devenit faimos pentru că l-a învins pe campionul mondial la jocul de masă Go cu AlphaGo AI și asumarea provocării uluitor de complexă a plierii proteinelor cu AlphaFold.

Într-o mișcare roți în roți, de atunci și-a pus ochii pe problemele matematice în sine.

Mai exact, laboratorul a spus că a dezvoltat o modalitate de a automatiza descoperirea de algoritmi care acționează ca scurtături la înmulțirea matricelor – cauza durerilor de cap pentru mulți studenți adolescenți la matematică.

De ani de zile, matematicienii au aplicat algoritmi acestor înmulțiri complexe de matrice, dintre care unele sunt folosite în informatică, în special în învățarea automată și AI.

Ni s-a spus că cercetătorul DeepMind Alhussein Fawzi și colegii săi au folosit întărirea profundă pentru a redescoperi algoritmi anteriori de multiplicare a matricei și pentru a găsi alții noi. Echipa a creat un sistem, numit AlphaTensor, care joacă un joc în care scopul este de a găsi cea mai bună abordare pentru multiplicarea a două matrice. Dacă agentul AI se descurcă bine, acesta este întărit pentru a face mai probabil succesul viitor.

Acest proces este repetat de nenumărate ori folosind acest feedback, astfel încât agentul generează modalități interesante și îmbunătățite de a multiplica matrice. Se spune că agentul DeepMind a fost provocat să finalizeze lucrarea de matematică matrice în cât mai puțini pași posibil și a trebuit să găsească cea mai bună cale de urmat din potențial trilioane de mișcări posibile.

Observăm că acest agent AI a folosit probabil matematica matriceală în procesul său de învățare și în timpul inferenței; astfel, operațiile cu matrice au fost folosite pentru a găsi modalități mai rapide de a face operații cu matrice.

Fawzi a declarat într-o conferință de presă săptămâna aceasta că munca a fost complexă, deși a dus la dezvoltarea de algoritmi pentru probleme care nu au fost îmbunătățite în mai mult de 50 de ani de cercetare umană, a spus el.

Cercetătorii au susținut că tehnicile ar putea aduce beneficii sarcinilor de calcul care utilizează algoritmi de multiplicare – cum ar fi AI – precum și să demonstreze modul în care învățarea prin întărire poate fi utilizată pentru a găsi soluții noi și neașteptate la problemele cunoscute, notând în același timp unele limitări. De exemplu, componentele predefinite sunt necesare pentru a evita ca sistemul să lipsească un subset de algoritmi eficienți.

Scepticii ar putea indica aplicarea AlphaFold, care a promis progrese în descoperirea medicamentelor prin cercetarea proteinelor susținute de AI. Deși modelul a prezis aproape toate structurile de proteine ​​​​cunoscute descoperite, este capacitatea de a ajuta oamenii de știință descoperă că noi medicamente rămân nedovedite.

În orice caz, pentru noi acest lucru pare ca învățarea automată este folosită pentru a accelera învățarea automată. ®