AI frissítés: Az új algoritmus olcsóbb, pontosabb és könnyebb AI modellekhez vezethet

Egy kutatócsoport megoldotta a gépi tanulás egyik alapvető problémáját, létrehozva az első olyan módszert a szimmetrikus adatok kezelésére, amely garantáltan hatékony mind a számítás, mind az adatigény szempontjából. A fő kihívást az jelenti, hogy a mesterséges intelligenciát könnyen összezavarhatja a szimmetria; például egy elforgatott molekulát teljesen új objektumnak tekinthet, ahelyett, hogy azonos szerkezetként ismerné fel.

Ezek a szimmetriák azért fontosak, mert valamiféle információt közöl a természet az adatokról, és ezt figyelembe kell vennünk a gépi tanulási modelljeinkben. Most megmutattuk, hogy szimmetrikus adatokkal is lehet hatékonyan gépi tanulást végezni. - Behrooz Tahmasebi, az MIT végzős hallgatója és társszerzője.

Bár néhány jelenlegi modell, például a gráf neurális hálózatok képesek kezelni a szimmetriát, a kutatók nem teljesen értették meg, miért működnek ilyen jól. Ez az MIT-csapat azt mondja, hogy más megközelítést alkalmaztak - új algoritmust terveztek az algebra és a geometria matematikai fogalmainak kombinálásával, hogy olyan rendszert hozzanak létre, amely hatékonyan képes tanulni és tiszteletben tartani a szimmetriát.

Ez a bizonyítottan hatékony módszer kevesebb adatmintát igényel a képzéshez, ami javíthatja a modell pontosságát és alkalmazkodóképességét. A kutatók szerint munkájuk elvezethet a erősebb és kevésbé erőforrás-igényes mesterséges intelligenciamodellek kifejlesztéséhez alkalmazások széles köréhez, "az új anyagok felfedezésétől kezdve a csillagászati anomáliák azonosításán át az összetett éghajlati minták felderítéséig" A kutatást a közelmúltban mutatták be a gépi tanulással foglalkozó nemzetközi konferencián.