DeepMind använder matrismatte för att automatisera upptäckten av bättre matrismattetekniker

Google-ägda DeepMind har tillämpat förstärkta inlärningstekniker på multiplikationen av matematiska matriser, överträffat vissa mänskliga algoritmer som har varat i 50 år och arbetat mot förbättringar inom datavetenskap.

DeepMind grundades i London 2010 och har blivit känt för att ha besegrat världsmästaren i brädspelet Go med sitt AlphaGo AI och anta den förbluffande komplexa utmaningen med proteinveckning med AlphaFold.

I en hjul-inom-hjul-rörelse har den sedan dess siktet inställt på matematiska problem själva.

Specifikt sa labbet att det utvecklat ett sätt att automatisera upptäckten av algoritmer som fungerar som genvägar när man multiplicerar matriser – orsaken till huvudvärk för många tonåringar i matematik.

I åratal har matematiker tillämpat algoritmer på dessa komplexa arraymultiplikationer, av vilka några används inom datavetenskap, särskilt inom maskininlärning och AI.

Vi får veta att DeepMind-forskaren Alhussein Fawzi och hans kollegor använde djup förstärkning för att återupptäcka tidigare matrismultiplikationsalgoritmer och hitta nya. Teamet skapade ett system, kallat AlphaTensor, som spelar ett spel där målet är att hitta den bästa metoden för att multiplicera två matriser. Om AI-agenten gör bra ifrån sig, förstärks den för att göra framtida framgång mer sannolikt.

Denna process upprepas om och om igen med hjälp av denna feedback så att agenten genererar intressanta och förbättrade sätt att multiplicera matriser. Det sägs att DeepMinds agent utmanades att utföra matrismattearbete i så få steg som möjligt och var tvungen att ta reda på den bästa vägen framåt från potentiellt biljoner möjliga drag.

Vi noterar att denna AI-agent sannolikt använde matrismatte i sin inlärningsprocess och under slutledning; sålunda användes matrisoperationer för att hitta snabbare sätt att göra matrisoperationer.

Fawzi berättade för en pressträff denna vecka att arbetet var komplext men resulterade i utvecklingen av algoritmer för problem som inte har förbättrats under mer än 50 år av mänsklig forskning, sa han.

Forskarna hävdade att teknikerna kan gynna beräkningsuppgifter som använder multiplikationsalgoritmer – som AI – samt demonstrera hur förstärkningsinlärning kan användas för att hitta nya och oväntade lösningar på kända problem, samtidigt som de noterar vissa begränsningar. Till exempel är fördefinierade komponenter nödvändiga för att undvika att systemet saknar en delmängd av effektiva algoritmer.

Skeptiker kan peka på tillämpningen av AlphaFold, som lovade genombrott inom läkemedelsupptäckten via AI-stödd proteinforskning. Även om modellen har förutspått nästan alla kända proteinstrukturer som upptäckts, är dess förmåga att hjälpa forskare upptäcker att nya läkemedel fortfarande är obevisade.

I alla fall ser detta för oss ut som att maskininlärning används för att påskynda maskininlärning. ®