AI-upgrade: Nieuw algoritme kan leiden tot goedkopere, nauwkeurige en lichtgewicht AI-modellen

Een groep onderzoekers heeft een fundamenteel probleem in machinaal leren opgelost door de eerste methode voor het verwerken van symmetrische gegevens te creëren die gegarandeerd efficiënt is in zowel rekenkracht als gegevensbehoefte. De grootste uitdaging is dat AI gemakkelijk in de war kan raken door symmetrie; zo zou het bijvoorbeeld een gedraaid molecuul als een compleet nieuw object kunnen zien in plaats van het als dezelfde structuur te herkennen.

Deze symmetrieën zijn belangrijk omdat ze een soort informatie zijn die de natuur ons over de gegevens vertelt, en we moeten er rekening mee houden in onze machine-learning modellen. We hebben nu laten zien dat het mogelijk is om op een efficiënte manier aan machine-learning te doen met symmetrische gegevens. - Behrooz Tahmasebi, een afgestudeerde student aan MIT en co-lead auteur.

Hoewel sommige huidige modellen zoals neurale grafieknetwerken symmetrie aankunnen, hebben onderzoekers niet volledig begrepen waarom ze zo goed werken. Dit MIT-team zegt dat ze voor een andere aanpak kozen - ze ontwierpen een nieuw algoritme door wiskundige concepten uit algebra en geometrie te combineren om een systeem te creëren dat efficiënt kan leren en symmetrie kan respecteren.

Deze aantoonbaar efficiënte methode vereist minder gegevensmonsters voor training, wat de nauwkeurigheid en het aanpassingsvermogen van een model kan verbeteren. De onderzoekers zeggen dat hun werk kan leiden tot de ontwikkeling van krachtigere en minder middelen vergende AI-modellen voor een groot aantal toepassingen, "van het ontdekken van nieuwe materialen tot het identificeren van astronomische anomalieën en het ontrafelen van complexe klimaatpatronen" Het onderzoek werd onlangs gepresenteerd op de International Conference on Machine Learning.