Компания DeepMind, принадлежащая Google, применила усиленные методы обучения к умножению математических матриц, обойдя некоторые созданные человеком алгоритмы, которые просуществовали 50 лет, и работая над улучшением компьютерных наук.
Компания DeepMind, основанная в Лондоне в 2010 году, прославилась победой над чемпионом мира в настольной игре Го. AlphaGo ИИ и берется за умопомрачительно сложную задачу по сворачиванию белков с помощью AlphaFold.
В движении «колеса в колесах» он с тех пор нацелился на сами математические проблемы.
В частности, лаборатория заявила, что разработала способ автоматизировать обнаружение алгоритмов, которые действуют как ярлыки при умножении матриц - причина головной боли для многих подростков, изучающих математику.
В течение многих лет математики применяли алгоритмы для этих сложных умножений массивов, некоторые из которых используются в информатике, особенно в машинном обучении и искусственном интеллекте.
Нам сказали, что исследователь DeepMind Альхусейн Фавзи и его коллеги использовали глубокое подкрепление, чтобы заново открыть более ранние алгоритмы умножения матриц и найти новые. Команда создала систему, получившую название AlphaTensor, которая играет в игру, цель которой — найти наилучший подход к умножению двух матриц. Если агент ИИ преуспевает, его подкрепляют, чтобы сделать будущий успех более вероятным.
Этот процесс повторяется снова и снова, используя эту обратную связь, так что агент генерирует интересные и улучшенные способы умножения матриц. Говорят, что перед агентом DeepMind была поставлена задача выполнить математическую работу с матрицами за как можно меньшее количество шагов, и он должен был найти лучший путь вперед из потенциально триллионов возможных ходов.
Мы отмечаем, что этот агент ИИ, вероятно, использовал матричную математику в процессе обучения и во время вывода; таким образом, матричные операции использовались для поиска более быстрых способов выполнения матричных операций.
Фаузи сказал на брифинге для прессы на этой неделе, что работа была сложной, хотя и привела к разработке алгоритмов для задач, которые не были улучшены за более чем 50 лет исследований человека, сказал он.
Исследователи заявили, что эти методы могут принести пользу вычислительным задачам, в которых используются алгоритмы умножения, такие как ИИ, а также продемонстрировать, как можно использовать обучение с подкреплением для поиска новых и неожиданных решений известных проблем, отметив при этом некоторые ограничения. Например, предопределенные компоненты необходимы, чтобы система не пропускала подмножество эффективных алгоритмов.
Скептики могут указать на применение AlphaFold, которое обещало прорыв в открытии лекарств благодаря исследованиям белков с поддержкой ИИ. Хотя модель предсказала почти все известные открытые белковые структуры, ее способность помочь открытие учеными новых лекарств остается недоказанным.
В любом случае, для нас это выглядит как машинное обучение, используемое для ускорения машинного обучения. ®
- AI
- ай искусство
- генератор искусств ай
- искусственный интеллект
- искусственный интеллект
- сертификация искусственного интеллекта
- искусственный интеллект в банковском деле
- робот с искусственным интеллектом
- роботы с искусственным интеллектом
- программное обеспечение искусственного интеллекта
- блокчейн
- конференция по блокчейну
- Coingenius
- разговорный искусственный интеллект
- криптоконференция ИИ
- дал-и
- глубокое обучение
- google ai
- обучение с помощью машины
- Платон
- Платон Ай
- Платон Интеллектуальные данные
- Платон игра
- ПлатонДанные
- платогейминг
- масштаб ай
- синтаксис
- Регистр
- зефирнет