DeepMind использует матричную математику для автоматизации поиска лучших матричных математических методов.

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. ®