Ερευνητές της εταιρείας DeepMind στο Λονδίνο έχουν δείξει ότι η τεχνητή νοημοσύνη (AI) μπορεί να βρει συντομεύσεις σε έναν θεμελιώδη τύπο μαθηματικού υπολογισμού, μετατρέποντας το πρόβλημα σε παιχνίδι και στη συνέχεια αξιοποιώντας τις τεχνικές machine-learning που χρησιμοποίησε ένα άλλο από τα AI της εταιρείας για να νικήσει ανθρώπινους παίκτες σε παιχνίδια όπως το Go και το σκάκι.
Δείτε επίσης: Make-A-Video: Νέα AI τεχνολογία της Meta που δημιουργεί βίντεο
Η τεχνητή νοημοσύνη ανακάλυψε αλγόριθμους που σπάνε τα ρεκόρ δεκαετιών για την υπολογιστική απόδοση και τα ευρήματα της ομάδας, που δημοσιεύθηκαν στις 5 Οκτωβρίου στο Nature1, θα μπορούσαν να ανοίξουν νέους δρόμους για ταχύτερους υπολογισμούς σε ορισμένους τομείς.
Δείτε επίσης: AI σύστημα κέρδισε διαγωνισμό καλών τεχνών – Έξαλλοι οι καλλιτέχνες
Ανακαλύψτε το Νέο Ανθρωποειδές Ρομπότ GR-2!
«Είναι πολύ εντυπωσιακό», λέει η Martina Seidl, επιστήμονας υπολογιστών στο Πανεπιστήμιο Johannes Kepler στο Linz της Αυστρίας. «Αυτή η εργασία καταδεικνύει τη δυνατότητα χρήσης μηχανικής μάθησης για την επίλυση δύσκολων μαθηματικών προβλημάτων.»
Αλγόριθμοι που κυνηγούν αλγόριθμους
Όλο και πιο συχνά, οι επιστήμονες επιστρέφουν την τεχνολογία στον εαυτό της, χρησιμοποιώντας το machine learning για να βελτιώσουν τους δικούς της αλγόριθμους.
Το AI που ανέπτυξε η DeepMind – που ονομάζεται AlphaTensor – σχεδιάστηκε για να εκτελεί έναν τύπο υπολογισμού που ονομάζεται matrix multiplication. Αυτό περιλαμβάνει τον πολλαπλασιασμό αριθμών διατεταγμένων σε grids – ή πίνακες – που μπορεί να αντιπροσωπεύουν sets of pixels σε εικόνες, air conditions σε ένα μοντέλο καιρού ή την εσωτερική λειτουργία ενός τεχνητού νευρωνικού δικτύου. Για να πολλαπλασιάσει δύο πίνακες μαζί, ο μαθηματικός πρέπει να πολλαπλασιάσει μεμονωμένους αριθμούς και να τους προσθέσει με συγκεκριμένους τρόπους για να δημιουργήσει έναν νέο πίνακα. Το 1969, ο μαθηματικός Volker Strassen βρήκε έναν τρόπο να πολλαπλασιάσει ένα ζεύγος πινάκων 2 × 2 χρησιμοποιώντας μόνο επτά πολλαπλασιασμούς και όχι οκτώ, ωθώντας άλλους ερευνητές να ψάξουν για περισσότερα τέτοια κόλπα.
Η προσέγγιση του DeepMind χρησιμοποιεί μια μορφή machine learning που ονομάζεται reinforcement learning, στην οποία ένας «πράκτορας» AI (συχνά ένα νευρωνικό δίκτυο) μαθαίνει να αλληλεπιδρά με το περιβάλλον του για να επιτύχει έναν στόχο πολλαπλών βημάτων, όπως να κερδίσει ένα επιτραπέζιο παιχνίδι. Εάν τα πάει καλά, ο πράκτορας ενισχύεται — οι εσωτερικές του παράμετροι ενημερώνονται για να κάνουν πιο πιθανή τη μελλοντική επιτυχία.
Το AlphaTensor ενσωματώνει και μια μέθοδο παιχνιδιού που ονομάζεται tree search, στην οποία το AI διερευνά τα αποτελέσματα των δυνατοτήτων branching ενώ σχεδιάζει την επόμενη δράση του. Επιλέγοντας σε ποιες διαδρομές θα δοθεί προτεραιότητα κατά το tree search, ζητά από ένα νευρωνικό δίκτυο να προβλέψει τις πιο υποσχόμενες ενέργειες σε κάθε βήμα. Ενώ ο πράκτορας εξακολουθεί να μαθαίνει, χρησιμοποιεί τα αποτελέσματα των παιχνιδιών του ως feedback για να βελτιώσει το νευρωνικό δίκτυο, το οποίο βελτιώνει περαιτέρω το tree search.
Δείτε επίσης: ΗΠΑ: AMD και Nvidia περιορίζουν τις πωλήσεις AI chip στην Κίνα
Κάθε παιχνίδι είναι ένα παζλ για έναν παίκτη που ξεκινά με έναν 3D tensor – ένα πλέγμα αριθμών – συμπληρωμένο σωστά. Το AlphaTensor στοχεύει να μηδενίσει όλους τους αριθμούς με τα λιγότερα βήματα, επιλέγοντας από μια συλλογή επιτρεπόμενων κινήσεων. Κάθε κίνηση αντιπροσωπεύει έναν υπολογισμό που, όταν αναστρέφεται, συνδυάζει εγγραφές από τους δύο πρώτους πίνακες για να δημιουργήσει μια καταχώρηση στον πίνακα εξόδου. Το παιχνίδι είναι δύσκολο, γιατί σε κάθε βήμα ο πράκτορας μπορεί να χρειαστεί να επιλέξει από τρισεκατομμύρια κινήσεις.
Ο Gray Ballard, επιστήμονας υπολογιστών στο Πανεπιστήμιο Wake Forest στο Winston-Salem της Βόρειας Καρολίνας, βλέπει δυνατότητες για μελλοντικές συνεργασίες ανθρώπου-υπολογιστή.
Πηγή πληροφοριών: nature.com
 μπορεί να βρει συντομεύσεις σε έναν θεμελιώδη){kind=link}