DeepMind uporablja matrično matematiko za avtomatsko odkrivanje boljših tehnik matrične matematike

DeepMind, ki je v lasti Googla, je uporabil okrepljene tehnike učenja za množenje matričnih matric, premagal nekatere algoritme, ki jih je ustvaril človek, ki so trajali 50 let, in si prizadeval za izboljšave v računalništvu.

DeepMind, ustanovljen leta 2010 v Londonu, je postal znan po tem, da je s svojim AlphaGo AI in sprejemanje osupljivo zapletenega izziva zvijanja beljakovin AlphaFold.

V gibanju "kolesa v kolesih" se je od takrat usmerila v same matematične probleme.

Natančneje, laboratorij je dejal, da je razvil način za avtomatizirati odkrivanje algoritmov, ki delujejo kot bližnjice pri množenju matrik – vzrok preglavic za marsikaterega najstniškega študenta matematike.

Matematiki že leta uporabljajo algoritme za ta zapletena množenja nizov, od katerih se nekateri uporabljajo v računalništvu, zlasti v strojnem učenju in umetni inteligenci.

We’re told that DeepMind researcher Alhussein Fawzi and his colleagues used deep reinforcement to rediscover earlier matrix multiplication algorithms and find new ones. The team created a system, dubbed AlphaTensor, that plays a game in which the goal is to find the best approach to multiplying two matrices. If the AI agent does well, it is reinforced to make future success more likely.

This process is repeated over and over using this feedback so that agent generates interesting and improved ways to multiply matrices. It’s said that DeepMind’s agent was challenged to complete matrix math work in as few steps as possible, and had to figure out the best way forward from potentially trillions of possible moves.

Ugotavljamo, da je ta agent AI verjetno uporabljal matrično matematiko v učnem procesu in med sklepanjem; tako so bile matrične operacije uporabljene za iskanje hitrejših načinov izvajanja matričnih operacij.

Fawzi je na novinarski konferenci ta teden povedal, da je bilo delo zapleteno, čeprav je povzročilo razvoj algoritmov za težave, ki niso bili izboljšani v več kot 50 letih raziskav na ljudeh, je dejal.

Raziskovalci so trdili, da bi tehnike lahko koristile računalniškim nalogam, ki uporabljajo algoritme množenja – kot je umetna inteligenca –, ter pokazale, kako je mogoče uporabiti učenje z okrepitvijo za iskanje novih in nepričakovanih rešitev znanih problemov, pri čemer so opozorili tudi na nekatere omejitve. Vnaprej določene komponente so na primer potrebne, da se izognemo temu, da bi sistemu manjkala podmnožica učinkovitih algoritmov.

Skeptiki morda opozarjajo na uporabo AlphaFolda, ki je obljubil preboj pri odkrivanju zdravil prek raziskav beljakovin, podprtih z AI. Čeprav je model predvidel skoraj vse znane odkrite beljakovinske strukture, je njegov sposobnost pomagati znanstveniki odkrivajo nova zdravila, ostaja nedokazano.

V vsakem primeru se nam zdi, da se strojno učenje uporablja za pospešitev strojnega učenja. ®