DeepMind ใช้คณิตศาสตร์เมทริกซ์เพื่อค้นพบเทคนิคทางคณิตศาสตร์เมทริกซ์ที่ดีกว่าโดยอัตโนมัติ

DeepMind ที่ Google เป็นเจ้าของได้ใช้เทคนิคการเรียนรู้ที่ได้รับการเสริมกำลังในการคูณเมทริกซ์ทางคณิตศาสตร์ เอาชนะอัลกอริธึมที่มนุษย์สร้างขึ้นซึ่งใช้เวลา 50 ปีและทำงานเพื่อพัฒนาวิทยาการคอมพิวเตอร์

ก่อตั้งขึ้นในลอนดอนในปี 2010 DeepMind มีชื่อเสียงในการเอาชนะแชมป์โลกที่เกมกระดาน Go with its AlphaGo AI และความท้าทายที่ซับซ้อนอย่างเหลือเชื่อของการพับโปรตีนด้วย อัลฟ่าโฟลด์.

ในการเคลื่อนล้อภายในล้อ นับตั้งแต่นั้นมา ก็ได้ตั้งเป้าไปที่ปัญหาทางคณิตศาสตร์ด้วยตัวมันเอง

โดยเฉพาะอย่างยิ่งห้องปฏิบัติการกล่าวว่าได้พัฒนาวิธีการ ค้นพบโดยอัตโนมัติ ของอัลกอริทึมที่ทำหน้าที่เป็นทางลัดในการคูณเมทริกซ์ ซึ่งเป็นสาเหตุของอาการปวดหัวสำหรับนักเรียนคณิตศาสตร์วัยรุ่นหลายคน

เป็นเวลาหลายปีที่นักคณิตศาสตร์ใช้อัลกอริทึมกับการคูณอาร์เรย์ที่ซับซ้อนเหล่านี้ ซึ่งบางส่วนใช้ในวิทยาการคอมพิวเตอร์ โดยเฉพาะอย่างยิ่งในแมชชีนเลิร์นนิงและ AI

เราได้รับแจ้งว่า Alhussein Fawzi นักวิจัย DeepMind และเพื่อนร่วมงานของเขาใช้การเสริมแรงเชิงลึกเพื่อค้นพบอัลกอริทึมการคูณเมทริกซ์ก่อนหน้านี้และค้นหาใหม่ ทีมงานสร้างระบบที่มีชื่อว่า AlphaTensor ซึ่งเล่นเกมโดยเป้าหมายคือการหาวิธีที่ดีที่สุดในการคูณสองเมทริกซ์ หากเอเจนต์ AI ทำได้ดี ก็จะยิ่งเสริมให้มีโอกาสประสบความสำเร็จในอนาคตมากขึ้น

กระบวนการนี้ทำซ้ำแล้วซ้ำอีกโดยใช้คำติชมนี้ เพื่อให้ตัวแทนสร้างวิธีที่น่าสนใจและปรับปรุงในการคูณเมทริกซ์ ว่ากันว่าตัวแทนของ DeepMind ถูกท้าทายให้ทำงานคณิตศาสตร์เมทริกซ์ให้เสร็จในไม่กี่ขั้นตอนที่เป็นไปได้ และต้องหาวิธีที่ดีที่สุดจากการเคลื่อนไหวที่เป็นไปได้หลายล้านล้านครั้ง

เราทราบว่าเอเจนต์ AI นี้น่าจะใช้คณิตศาสตร์เมทริกซ์ในกระบวนการเรียนรู้และระหว่างการอนุมาน ดังนั้น การดำเนินการของเมทริกซ์จึงถูกใช้เพื่อค้นหาวิธีที่เร็วกว่าในการดำเนินการของเมทริกซ์

Fawzi กล่าวในการแถลงข่าวในสัปดาห์นี้ว่างานมีความซับซ้อนแม้ว่าจะส่งผลให้เกิดการพัฒนาอัลกอริทึมสำหรับปัญหาที่ไม่ได้รับการปรับปรุงในการวิจัยในมนุษย์มากว่า 50 ปี เขากล่าว

นักวิจัยอ้างว่าเทคนิคนี้อาจเป็นประโยชน์ต่องานคำนวณที่ใช้อัลกอริธึมการคูณ เช่น AI ตลอดจนแสดงให้เห็นว่าการเรียนรู้แบบเสริมแรงสามารถใช้เพื่อค้นหาวิธีแก้ไขปัญหาที่ทราบใหม่และคาดไม่ถึงได้อย่างไร ในขณะที่ยังระบุถึงข้อจำกัดบางประการ ตัวอย่างเช่น ส่วนประกอบที่กำหนดไว้ล่วงหน้ามีความจำเป็นเพื่อหลีกเลี่ยงไม่ให้ระบบขาดชุดย่อยของอัลกอริทึมที่มีประสิทธิภาพ

ผู้คลางแคลงใจอาจชี้ไปที่การใช้ AlphaFold ซึ่งให้คำมั่นสัญญาว่าจะค้นพบยาใหม่ ๆ ผ่านการวิจัยโปรตีนที่สนับสนุนโดย AI แม้ว่าแบบจำลองจะทำนายโครงสร้างโปรตีนที่รู้จักเกือบทั้งหมดที่ค้นพบ ความสามารถในการช่วย นักวิทยาศาสตร์ค้นพบยาใหม่ที่ยังไม่ได้รับการพิสูจน์

ไม่ว่าในกรณีใด สำหรับเราแล้วสิ่งนี้ดูเหมือนการเรียนรู้ของเครื่องที่ใช้เพื่อเร่งการเรียนรู้ของเครื่อง ®