DeepMind yine yapacağını yaptı.
Biyolojideki temel bir zorluğu çözdükten sonra—protein yapısını tahmin etmek-ve düğüm teorisinin matematiğini çözmek, binlerce günlük uygulamanın içine yerleştirilmiş temel bir bilgi işlem sürecini hedef alıyor. Görüntüleri ayrıştırmaktan hava modellemesi hatta yapay sinir ağlarının iç işleyişini araştıran yapay zeka, teorik olarak bir dizi alandaki hesaplamaları hızlandırabilir, enerji kullanımını ve maliyetleri düşürürken verimliliği artırabilir.
Ama daha etkileyici Nasıl Onlar yaptı. AlphaTensor olarak adlandırılan rekor kıran algoritma, AlfaSıfır, satranç ve Go'da insan oyuncuları ünlü bir şekilde alt etti.
“Binlerce yıldır temel işlemleri gerçekleştirmek için dünya uygarlıkları boyunca algoritmalar kullanılmıştır.” yazdı ortak yazarlar Dr. DeepMind'da Matej Balog ve Alhussein Fawzi. "Ancak, algoritmaları keşfetmek oldukça zor."
AlphaTensor, yapay zekanın insanların ürettiği her şeyden daha iyi performans gösteren programlar tasarlarken aynı zamanda kendi makine "beynini" geliştirdiği yeni bir dünyaya öncülük ediyor.
Kıdemli bir editör olan Dr. Federico Levi, "Bu çalışma, insanların onlarca yıldır üzerinde çalıştığı bir optimizasyon sorunu için yapay zekayı kullanarak keşfedilmemiş alanlara doğru ilerliyor… bulduğu çözümler, hesaplamalı çalışma sürelerini iyileştirmek için hemen geliştirilebilir" dedi. Tabiat, Hangi yayınlanan çalışma.
Matris Çarpmasını Girin
AlphaTensor'un karşılaştığı sorun matris çarpımıdır. Birden ekranınızı aşağı kaydıran yeşil sayılardan oluşan satırlar ve sütunlar hayal ediyorsanız, yalnız değilsiniz. Kabaca söylemek gerekirse, bir matris buna benzer—seçtiğiniz verileri dijital olarak temsil eden bir sayı ızgarası. Bir görüntüdeki pikseller, bir ses klibinin frekansları veya video oyunlarındaki karakterlerin görünümü ve eylemleri olabilir.
Matris çarpımı, iki sayı ızgarasını alır ve birbiri ile çarpar. Genellikle lisede öğretilen bir hesaplamadır, ancak bilgisayar sistemleri için de kritik öneme sahiptir. Burada, bir matristeki sayı satırları, diğerindeki sütunlarla çarpılır. Sonuçlar bir sonuç üretir; örneğin, bir video oyunu sahnesini yakınlaştırma veya görünümünüzü eğme komutu. Bu hesaplamalar gizli olsa da, telefon veya bilgisayar kullanan herkes her gün sonuçlarına bağlıdır.
Sorunun nasıl son derece zor, son derece hızlı hale gelebileceğini görebilirsiniz. Büyük matrisleri çarpmak inanılmaz derecede enerji ve zaman gerektirir. Yeni bir matris oluşturmak için her sayı çifti ayrı ayrı çarpılmalıdır. Matrisler büyüdükçe, problem hızla savunulamaz hale gelir - en iyi satranç veya Go hamlelerini tahmin etmekten bile daha fazla. Bazı uzmanlar var olduğunu tahmin ediyor daha fazla yol evrendeki atom sayısından daha fazla matris çarpımını çözmek için.
1969'da, bir Alman matematikçi olan Volker Strassen, köşeleri kesmenin yolları olduğunu gösterdi. toplam sekiz ila yedi. Etkileyici gelmeyebilir, ancak Strassen'in yöntemi, matris çarpımı için uzun süredir devam eden işlem standartlarını, yani algoritmaları yenmenin mümkün olduğunu gösterdi. Yaklaşımı, Strassen algoritması, 50 yılı aşkın bir süredir en verimli yaklaşım olarak hüküm sürdü.
Peki ya daha etkili yöntemler varsa? Çalışmada yer almayan Japonya'daki Nagoya Üniversitesi'nden Dr. François Le Gall, “Bunu çözmek için en iyi algoritmayı kimse bilmiyor” dedi. söyledi MIT Technology Review. "Bilgisayar bilimindeki en büyük açık problemlerden biri."
AI Takip Algoritmaları
İnsan sezgisi sendeliyorsa, neden mekanik bir zihinden faydalanmıyorsun?
Yeni çalışmada, DeepMind ekibi matris çarpımını bir oyuna dönüştürdü. AlphaZero'ya benzer şekilde AlphaTensor, biyolojik beyinlerin öğrenme biçiminden ilham alan bir makine öğrenimi yöntemi olan derin pekiştirmeli öğrenmeyi kullanır. Burada, bir AI ajanı (genellikle bir yapay sinir ağı), çok adımlı bir sorunu çözmek için çevresiyle etkileşime girer. Başarılı olursa, bir "ödül" kazanır - yani, AI'nın ağ parametreleri güncellenir, böylece gelecekte tekrar başarılı olması daha olasıdır.
Bir gözleme çevirmeyi öğrenmek gibi. Başlangıçta çok şey yere düşecek, ancak sonunda sinir ağlarınız mükemmel bir çevirme için kol ve el hareketlerini öğrenecek.
AlphaTensor'un eğitim alanı bir tür 3B masa oyunudur. Esasen Sudoku'ya kabaca benzeyen tek oyunculu bir bulmaca. Yapay zeka, bir trilyonun üzerinde izin verilen sayısız hareket arasından seçim yaparken, mümkün olan en az adımda sayı ızgaralarını çoğaltmalıdır.
Bu izin verilen hareketler titizlikle AlphaTensor'da tasarlandı. Bir basın brifinginde, ortak yazar Dr. Hussain Fawzi şunları söyledi: "Algoritmik keşif alanını formüle etmek çok karmaşık… Daha da zor olanı, bu alanda nasıl gezinebiliriz."
Başka bir deyişle, akıllara durgunluk veren bir dizi seçenekle karşılaştığımızda, samanlıkta iğneyi bulma şansımızı artırmak için onları nasıl daraltabiliriz? Ve tüm samanlığı kazmadan iğneye ulaşmak için en iyi stratejiyi nasıl belirleyebiliriz?
AlphaTensor'a dahil edilen ekibin bir hilesi, ağaç araması adı verilen bir yöntemdir. Metaforik olarak konuşursak, samanlığı rastgele kazmak yerine, burada AI daha iyi bir sonuca yol açabilecek “yolları” araştırıyor. Orta düzey öğrenmeler daha sonra AI'nın başarı şansını artırmak için bir sonraki hamlesini planlamasına yardımcı olur. Ekip ayrıca, bir çocuğa satrancın açılış hareketlerini öğretmek gibi başarılı oyunların algoritma örneklerini de gösterdi. Son olarak, yapay zeka değerli hamleler keşfettiğinde, ekip daha iyi bir sonuç arayışında daha özel öğrenme için bu operasyonları yeniden düzenlemesine izin verdi.
Yeni Bir Çığır Açmak
AlphaTensor iyi oynadı. Ekip, bir dizi testte, yapay zekayı beşe beşe kadar matrisler için en etkili çözümleri bulması için zorladı; yani, her biri bir satırda veya sütunda beş sayı ile.
Algoritma, Strassen'in orijinal hack'ini hızla yeniden keşfetti, ancak daha sonra insan zihni tarafından önceden tasarlanmış tüm çözümleri aştı. AI'yı farklı boyutlarda matrislerle test eden AlphaTensor, 70'in üzerinde daha verimli çözümler buldu. Ekip, "Aslında AlphaTensor, her matris boyutu için tipik olarak binlerce algoritma keşfediyor" dedi. "Akıllara durgunluk veriyor."
Bir durumda, beşe beş matrisi dörte beş bir matrisle çarparak, AI önceki 80 bireysel çarpma rekorunu sadece 76'ya indirdi. Ayrıca daha büyük matrislerde parladı ve iki için gereken hesaplama sayısını azalttı. 919'dan 896'ya on bire on bir matris.
Elinde kavram kanıtı olan ekip, pratik kullanıma yöneldi. Bilgisayar çipleri genellikle farklı hesaplamaları optimize etmek için tasarlanmıştır; örneğin grafikler için GPU'lar veya Makine öğrenimi için AI çipleri—ve bir algoritmayı en uygun donanımla eşleştirmek verimliliği artırır.
Burada ekip, makine öğrenimindeki iki popüler çipin algoritmalarını bulmak için AlphaTensor'u kullandı: NVIDIA V100 GPU ve Google TPU. Toplamda, AI tarafından geliştirilen algoritmalar, hesaplama hızını yüzde 20'ye kadar artırdı.
Yapay zekanın akıllı telefonları, dizüstü bilgisayarları veya diğer günlük cihazları da hızlandırıp hızlandıramayacağını söylemek zor. Ancak, MIT'den Dr. Virginia Williams, “bu gelişme pratikte kullanılabilirse çok heyecan verici olurdu” dedi. "Performans artışı birçok uygulamayı iyileştirebilir."
Yapay Zekanın Zihni
AlphaTensor, matris çarpımı için en son insan rekorunu alt etmesine rağmen, DeepMind ekibi bunun nedenini henüz açıklayamıyor.
DeepMind bilim adamı ve yardımcı yazar Dr. Pushmeet Kohli bir basın brifinginde "Bu oyunları oynayarak inanılmaz bir sezgiye sahip oldu" dedi.
Gelişen algoritmalar ayrıca insanlara karşı makineler olmak zorunda değildir.
AlphaTensor daha hızlı algoritmalar için bir basamak olsa da, daha hızlı algoritmalar da olabilir. Balog ve Fawzi, "Aramalarını belirli bir biçimdeki algoritmalarla sınırlaması gerektiğinden, daha verimli olabilecek diğer algoritma türlerini kaçırabilir" diye yazdı.
Belki daha da ilgi çekici bir yol, insan ve makine sezgisini birleştirebilir. "Bu yeni yöntemin öncekilerin hepsini kapsayıp kapsamadığını veya bunları birleştirip daha da iyi bir şey elde edip edemeyeceğinizi anlamak güzel olurdu." şuraya Williams. Diğer uzmanlar aynı fikirde. Ellerinde çok sayıda algoritma bulunan bilim adamları, AlphaTensor'un çözümlerini neyin harekete geçirdiğine dair ipuçları için onları incelemeye başlayabilir ve bir sonraki atılımın yolunu açabilir.
Resim Kredisi: DeepMind
