Sztuczna inteligencja wraca do macierzy. I sobie pogrywa

Znów DeepMind i znów matematyka. Zespół naukowców z firmy Google w Londynie (firma DeepMind, zajmująca się AI, dołączyła do Google w 2014 r.) odkrył, że sztuczna inteligencja może znaleźć szybsze algorytmy do rozwiązywania problemów z mnożeniem macierzy. AI zagrała w pewną grę

Swoje odkrycie badacze opisali ostatnio w czasopiśmie „Nature”, dołączając raport badawczy. W artykule zwracają uwagę na to, że wykorzystanie tzw. uczenia się ze wzmocnieniem ulepsza algorytmy matematyczne stosowane w rozwiązywaniu działań polegających na mnożeniu macierzy.
W programowaniu komputerowym matematyka pojawia się dosyć często, a czasem nawet wiedzie prym. Na ogół opisuje zjawiska ze świata rzeczywistego, a potem nimi manipuluje. Tak jest np. w przypadku zjawisk pogodowych czy pikseli na ekranie komputera. Jednym z głównych sposobów wykorzystania matematyki w takich przypadkach jest wykonywanie obliczeń na macierzach.
Przy programowaniu gier macierze opisują np. możliwe opcje danego ruchu. W tym przypadku macierze są często mnożone lub dodawane, a czasem wykonywane są oba te działania jednocześnie. Gdy macierze rozrastają się, wymaga to niejednokrotnie ogromnych wysiłków, które podejmują matematycy od wielu, wielu lat, opracowując coraz wydajniejsze sposoby.
Naukowcy z DeepMind zastanawiali się, czy można wykorzystać AI uczącą się przez wzmacnianie do wytworzenia nowych algorytmów z mniejszą liczbą kroków do wykonania niż te, które wykorzystuje się obecnie. Inspiracji szukali właśnie w grach. Przypomnijmy, że to właśnie badacze z DeepMind stworzyli kiedyś system sztucznej inteligencji o nazwie AlphaGo, który pokonał najlepszych profesjonalistów w grze Go.

Zespół Deepmind pozwolił stworzonemu systemowi wyszukiwać algorytmy i za pomocą nagród uczyć wybierania najskuteczniejszych z nich. Procedurę odkrywania algorytmu mnożenia macierzy uczeni sformułowali jako grę jednoosobową o nazwie TensorGame. Na każdym etapie TensorGame „sztucznie inteligentny gracz” wybierał sposób łączenia różnych wpisów macierzy do mnożenia. Punktacja była przyznawana na podstawie liczby wybranych operacji wymaganych do uzyskania prawidłowego wyniku mnożenia. To wymagająca gra z ogromną liczbą akcji, znacznie większą niż w tradycyjnych grach planszowych takich jak szachy i Go (w których mamy setki akcji). Aby rozwiązać TensorGame i znaleźć wydajne algorytmy mnożenia macierzy, naukowcy opracowali sztucznie inteligentnego i uczącego się ze wzmocnieniem agenta o nazwie AlphaTensor.

System, szkoląc się, nauczył się rozpoznawać czynniki, które wpływają na efektywność mnożenia macierzy. Następnie naukowcy pozwolili mu wykreować własny algorytm, po raz kolejny poprawiający wydajność. Udowodnili dzięki temu, że w wielu przypadkach algorytmy wybrane przez system były lepsze niż te, które zostały stworzone przez ich ludzkich poprzedników.

Zdjęcie zajawka: Gerd Altmana/Pixabay

ŹRÓDŁO: https://www.nature.com/articles/s41586-022-05172-4