Изкуствен интелект измисли нов математически алгоритъм, прави компютрите с до 20% по-бързи

Невралните мрежи, наричани от мнозина с термина „изкуствен интелект”, стават все по-популярни, а резултатите от тях – все по-изненадващи. Последното развитие идва от фирмата DeepMind, на чийто изкуствен интелект е била поставена задача – да намери по-оптимален начин за решаване на матрични уравнения.

Те представляват правоъгълни таблици, най-често съставени от числа и се използват за решение на линейни системи в математиката. Две решетки от числа се умножават едно с друго и това представлява една от фундаменталните изчислителни задачи, използвана на практика във всички софтуери в света, но основно в графиката, симулациите и... изкуственият интелект, с което на практика за пръв път ставаме свидетели на това машина да подобри себе си.

Така дори много малко подобрение в ефикасността на алгоритъма за решаване на матриците може да има огромни ползи както за развитието на компютрите, така и за пестенето на енергия, съобщава newscientist.com

И точно това е успял да направи изкуственият интелект на DeepMind.

Векове наред се е считало, че най-правилният начин за умножение на матрици е пропорционален на броя елементи, които се умножават. Така обаче колкото по-голяма става матрицата, толкова по-сложно става нейното решение.

Бъдещето е тук! Попътувайте в подсъзнанието си с изкуствения интелект, рисуващ изумителни картини

През 1969 г. математикът Фолкер Щрасен доказва, че умножението на матрица от два реда с друга от същия размер не е задължително да включва общо 8 умножения. С доста хитър трик това число може да се намали до 7. Подходът, вече наречен Алгоритъмът на Щрасен, изисква малко повече събиране, но е приемлив, защото събирането при компютрите се извършва много по-бързо от умножението.

Така неговият алгоритъм досега стоеше като най-ефикасния за този вид математическа задача в продължение на над 50 години. Сега обаче DeepMind откри нов, по-бърз начин за решаването на проблема, който освен това е приложим за всички модерни хардуерни системи.

Изкуственият интелект, наричан AlphaTensor, започва да решава проблема без никакво предварително знание за това как се решава. Зададено му е само да намери решение, което да е оптимално – да се извършва умножението на матриците с възможно най-малко стъпки.

Графика: От какво е съставена нашата Вселена

След известно време на работа, AlphaTensor открива, че има алгоритъм, който да реши матрица с 4 реда, съставени от 4 числа, използвайки едва 47 умножения – с 2 по-малко от оптималния алгоритъм на Щрасен, който използва 49. Изкуственият интелект освен това открива и разработва техники за умножение на други матрици с различни размери – общо 70 на брой.

Хюсеим Фавзи от DeepMind казва, че резултатът е напълно математически издържан, но изобщо не е интуитивен за хората. „Не знаем изобщо защо системата ни измисли това. Защо това е най-добрият начин за умножение на матрици? Не знаем”, казва той и добавя:

„По някакъв необясним начин невралните мрежи имат интуиция за това кое изглежда добре и кое зле. Честно казано не мога да ви кажа как работи цялото това нещо. Мисля, че има още много теоритична работа, която трябва да се свърши, за да разберем как „дълбокото обучение” на ИИ работи и успява да направи това, което виждаме, че прави”.

Според DeepMind откритието на невралната им мрежа може да ускори изчислителната скорост на компютрите с между 10 и 20% на конкретни хардуери като новите чипове на Nvidia и новия тензорен процесор на Google. Няма обаче гаранции, че увеличението в скоростта ще има ефект върху обикновените устройства като смартфони и лаптопи. Поне засега. Но изследователите са категорични: „Ако този подход се имплементира правилно в новия хардуер, ще има разлика в производителността”.

„Новият алгоритъм ще повиши ефикасността на голям набор от софтуерни приложения, защото матричното умножение е много срещан проблем. И ще има и нови алгоритми, които ще са още по-оптимизирани. Приложение на изкуствен интелект ще има и при други подобни проблеми, защото има сериозна мотивация да се използва тази технология. Ако една задача мое да се изпълни малко по-ефективно, това значи, че за изпълнението ѝ е нужна по-малко мощност”, казва Одед Лачиш от Университета в Лондон.