DeepMind використовує матричну математику для автоматизації виявлення кращих матричних математичних методів

Компанія DeepMind, що належить Google, застосувала вдосконалені методи навчання для множення математичних матриць, перевершивши деякі створені людиною алгоритми, які діяли 50 років, і працюючи над вдосконаленням інформатики.

Заснована в Лондоні в 2010 році, компанія DeepMind стала відомою тим, що перемогла чемпіона світу з настільної гри Go з його AlphaGo ШІ та взятися за неймовірно складний виклик згортання білка AlphaFold.

У русі «колеса в колесах» з тих пір він націлився на математичні проблеми.

Зокрема, лабораторія заявила, що розробила спосіб автоматизувати відкриття алгоритмів, які діють як ярлики під час множення матриць – причина головного болю для багатьох підлітків, які вивчають математику.

Протягом багатьох років математики застосовували алгоритми до цих складних масивів множення, деякі з яких використовуються в інформатиці, зокрема в машинному навчанні та ШІ.

Нам повідомляють, що дослідник DeepMind Альхуссейн Фавзі та його колеги використовували глибоке посилення, щоб заново відкрити попередні алгоритми множення матриці та знайти нові. Команда створила систему під назвою AlphaTensor, яка грає в гру, метою якої є знайти найкращий підхід до множення двох матриць. Якщо агент штучного інтелекту працює добре, він посилюється, щоб зробити майбутній успіх більш імовірним.

Цей процес повторюється знову і знову, використовуючи цей зворотний зв’язок, щоб агент генерував цікаві та вдосконалені способи множення матриць. Кажуть, що перед агентом DeepMind постало завдання завершити матричну математичну роботу за якомога менше кроків, і він повинен був визначити найкращий шлях із потенційно трильйонів можливих ходів.

Ми зазначаємо, що цей агент штучного інтелекту, ймовірно, використовував матричну математику в процесі навчання та під час висновків; таким чином, матричні операції використовувалися для пошуку швидших способів виконання матричних операцій.

На брифінгу цього тижня Фавзі сказав, що робота була складною, хоча вона призвела до розробки алгоритмів для вирішення проблем, які не були вдосконалені за понад 50 років досліджень людини, сказав він.

Дослідники стверджують, що ці методи можуть принести користь обчислювальним завданням, які використовують алгоритми множення, такі як штучний інтелект, а також продемонструвати, як навчання з підкріпленням можна використовувати для пошуку нових і несподіваних рішень відомих проблем, а також відзначають деякі обмеження. Наприклад, попередньо визначені компоненти необхідні, щоб система не втратила підмножини ефективних алгоритмів.

Скептики можуть вказати на застосування AlphaFold, який обіцяв прорив у відкритті ліків завдяки дослідженню білка за допомогою ШІ. Хоча модель передбачила майже всі відомі відкриті білкові структури, її здатність допомогти виявлення вченими нових ліків залишається недоведеним.

У будь-якому випадку, для нас це виглядає як використання машинного навчання для прискорення машинного навчання. ®