GoogleКомпания DeepMind, принадлежащая компании DeepMind, применила усиленные методы обучения для умножения математических матриц, обойдя некоторые созданные человеком алгоритмы, которые существуют уже 50 лет, и работая над улучшением компьютерных наук.
Компания DeepMind, основанная в Лондоне в 2010 году, прославилась тем, что обыграла чемпиона мира по настольной игре Го с помощью искусственного интеллекта AlphaGo и взяла на себя невероятно сложную задачу по сворачиванию белков с помощью AlphaFold.
В движении «колеса в колесах» он с тех пор нацелился на сами математические проблемы.
Успешный проект состоял в том, чтобы автоматизировать обнаружение алгоритмов, которые действуют как ярлыки при умножении матриц — причина головной боли для многих подростков, изучающих математику.
В течение многих лет математики применяли алгоритмы для этих сложных умножений массивов, некоторые из которых используются в информатике.
Исследователь DeepMind Альхусейн Фаузи и его коллеги использовали глубокое подкрепление, чтобы заново открыть старые алгоритмы и найти новые. Техника создала систему, получившую название AlphaTensor, которая играет в игру, цель которой — найти наилучший подход к умножению двух матриц. Если агент ИИ преуспевает, его подкрепляют, чтобы сделать будущий успех более вероятным.
В этом случае агент берет на себя задачи в виде трехмерного тензора или сетки чисел, которые он должен решить за наименьшее количество ходов. Каждый шаг представляет собой ход решения матричной головоломки, которая может содержать триллионы возможных ходов.
Фавзи сказал на брифинге для прессы, что наметить пространство алгоритмических открытий было непростой задачей, хотя ориентироваться в нем было еще труднее. Тем не менее, в результате исследования были разработаны новые алгоритмы для решения проблем, которые не были улучшены за более чем 50 лет исследований человека, сказал он.
Исследователи утверждают, что этот метод может принести пользу вычислительным задачам, в которых используются алгоритмы умножения, а также продемонстрировать, как можно использовать обучение с подкреплением для поиска новых и неожиданных решений известных проблем, а также отмечают некоторые ограничения. Например, предопределенные компоненты необходимы, чтобы система не пропускала подмножество эффективных алгоритмов.
Скептики могут указать на применение AlphaFold, которое обещало прорыв в открытии лекарств благодаря исследованиям белков с поддержкой ИИ. Хотя модель предсказала почти все известные открытые белковые структуры, ее способность помочь ученым открывать новые лекарства остается недоказанной. ®
