Понедельник , 22 июля 2024

ИИ DeepMind открывает новый способ ускорения работы компьютеров

ИИ DeepMind открывает новый способ ускорения работы компьютеров

Искусственный интеллект (ИИ) успешно создал новый алгоритм вычисления матриц, более эффективный, чем те, которые используются в настоящее время. Это открытие может показаться несколько озадачивающим для тех, кто никогда не погружался в тайны матричных вычислений. Однако, особенно в области компьютерных технологий, это может иметь реальные последствия: по мнению исследователей Deepmind, некоторые вычисления могут быть на 20% быстрее.

Исследователи, стоящие за этим открытием, — не кто иные, как искусственный интеллект. А именно, алгоритм машинного обучения, разработанный компанией DeepMind. Его название — Alphatensor. Группа ученых, руководившая проектом в течение двух лет, работала над очень конкретной проблемой: как мы можем максимально использовать возможности искусственного интеллекта?

ИИ пытается превзойти человеческий интеллект в области матричных вычислений. Цель заключалась в том, чтобы найти способ выполнять этот вид умножения с минимальным количеством операций. В статье, опубликованной в журнале Nature, ученые сосредоточились на фундаментальной проблеме матричного умножения, используя глубокое обучение с подкреплением (DRL) для поиска алгоритма матричного умножения, который оказался точным и эффективным.

Матричное умножение заключается в умножении «матриц» друг на друга. Другими словами, это массив чисел. В широком смысле, это проблема перемножения двух решеток чисел. Зачем кому-то это нужно? Потому что это очень полезно во многих областях.

Матричное вычисление — это базовая компьютерная задача. Поэтому она в той или иной степени используется почти во всех программах. В некоторых областях, таких как графика, искусственный интеллект (нейронные сети) и научное моделирование, оно используется в очень больших масштабах. В этих областях даже небольшие улучшения производительности могут привести к значительному росту производительности. Это также означает, что для достижения того же результата используется меньше вычислительной мощности, а значит, машина потребляет меньше энергии.

Читайте также: Джеймс Уэбб открывает новый потрясающий вид на раннюю Вселенную

Космический телескоп «Джеймс Уэбб» предоставляет астрономам беспрецедентные изображения Вселенной. Исследователи, нацеленные на регионы, уже..

Первый прорыв за последние 50 лет

Ученые утверждают, что благодаря новому методу, эта известная скорость вычислений может быть увеличена примерно на 20% на определенных устройствах. Это не обязательно относится непосредственно ко всем устройствам, таким как компьютеры и смартфоны. Однако причина всей шумихи вокруг этого прорыва в том, что это первый подобный случай в области матричного умножения почти за 50 лет. В течение очень долгого времени умножение матриц было чисто пропорционально количеству изменяемых элементов.

В 1969 году математик по имени Фолькер Штрассен совершил прорыв в этой области. Он доказал, что для умножения матрицы чисел два на два не нужно умножать ее в восемь раз, чтобы увеличить ее до другой матрицы того же размера. Он смог свести эту операцию к семи различным вычислениям. Этот подход получил название алгоритма Штрассена. С тех пор были достигнуты и другие успехи, но они не применялись в конкретных областях.

Поэтому успех Alphatensor вызвал бурную реакцию в этой области. Для достижения этой цели ИИ теперь функционирует без каких-либо предварительных знаний о решениях, которые используются в настоящее время. Его попросили создать алгоритм, который решил бы эту проблему умножения за минимальное количество шагов; в итоге Alphatensor придумал алгоритм, который сдвигает две матрицы из четырех строк на четыре числа, используя умножение 47.

Лучше всего это работает с умножением 49, а метод Страссена все еще приемлем. Для матриц различных размеров было найдено всего 70 других методов. Это небольшое число по сравнению со всеми алгоритмами, найденными в ИИ. Например, Alphatensor нашел только 14, 000 различных методов вычисления для матриц 4×4. Однако некоторые из них превзошли существующие методы вычисления.

Вопрос. Ученые не до конца понимают, как все работает, объясняет Хусейн Фаузи из Deep Mind в статье в журнале Scientist. «Почему это лучший способ распространения Матрицы?» Это неясно. В любом случае, нейронные сети обладают интуицией относительно того, что выглядит хорошо, а что плохо. Честно говоря, невозможно точно сказать, как это работает. Я думаю, на этом мы и остановились. Теоретически, мы говорим о том, чтобы найти способы обучения таким задачам», — заключает он.

Одда Лачиша из Биркбека, исследователь Лондонского университета, также дала интервью СМИ. В любом случае, открытие ИИ является многообещающим. Оно может стать предвестником других подобных открытий. «Я ожидаю увидеть результаты, созданные ИИ, на других проблемах схожего характера, но не таких важных, как «Матрица». Меньше алгоритмических манипуляций — сильный стимул для использования таких методов». «За счет стоимости электроэнергии», — напоминает он.

Новый ИИ Deepmind превосходит человеческий интеллект — Gopher AI

Смотрите также

Заражение COVID-19 повышает риск легочной тромбоэмболии в течение 30 дней в 33 раза

Таков вывод нового исследования, проведенного в Швеции с участием более миллиона человек, положительно протестированных на …

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *