کشف خودکار الگوریتم هایی برای ضرب ماتریس ها، با استفاده از رویکرد یادگیری تقویتی عمیق که توسط DeepMind ابداع شده است می تواند تحولی بزرگ در این حوزه محسوب می شود.
به گزارش سیناپرس، محققان موفق به توسعه الگوریتم های موثر تری شده اند که بر پایه هوش مصنوعی ساخته شده است. این رویکرد، بهترین الگوریتم های شناخته شده در حال حاضر را دوباره شناسایی کرده و در عین حال الگوریتم های جدیدی را که سریعتر از هر الگوریتم قبلی طراحی شده توسط انسان و کامپیوتر هستند، کشف می کند.
یافته ها پتانسیل یادگیری تقویتی عمیقی را برای یافتن رویکردهای جدید برای حل کارآمد تر وظایف محاسباتی موجود برجسته می کنند. بهبود کارایی الگوریتم هایی که عملیات محاسباتی اساسی را اجرا می کنند می تواند بر سرعت کلی تعداد زیادی از محاسبات تأثیر بگذارد.
طی این مطالعه، الحسین فوزی و همکارانش یک رویکرد یادگیری تقویتی عمیق را برای کشف خودکار الگوریتم ها برای یک کار محاسباتی اولیه مهم توصیف می‌کنند: ضرب ماتریس، که به طور معمول در آرایه های وسیعی از محاسبات استفاده می شود.
این سیستم که AlphaTensor نام دارد، یک وظیفه مهم بر عهده دارد که هدف آن یافتن بهترین راه برای ضرب دو ماتریس (آرایه اعداد) است. این روش جدید، بسیار چالش برانگیزتر از بازی های سنتی مانند شطرنج است و در برخی موارد به حدود یک تریلیون اقدام بیشتر نیاز دارد.
به گزارش سیناپرس، برنامه هوش مصنوعی AlphaTensor ، الگوریتم های شناخته شده قبلی را شناسایی و در نتیجه کارکرد سیستم را ثابت می کند. این سیستم همچنین الگوریتم های کاملاً جدیدی را پیدا کرده و در برخی موارد، اکتشافات الگوریتم هایی را بهبود می بخشد که با وجود تحقیقات زیاد، بیش از ۵۰ سال است که بهبود نیافته اند. علاوه بر این، AlphaTensor می تواند برای کشف الگوریتم هایی که در شرایط خاص به خوبی کار می کنند، برای اجرا بر روی انواع خاصی از رایانه ها بهینه شود.
نویسندگان به برخی محدودیت ها مانند نیاز به اجزای از پیش تعریف شده که ممکن است باعث شود زیرمجموعه ای از الگوریتم های کارآمد را از دست بدهد، برای سیستم خود اشاره می کنند.
با این حال، اکتشافات AlphaTensor می تواند وظایف محاسباتی که از الگوریتم های ضرب استفاده می کنند را بهبود بخشیده و همچنین نشان دهد که چگونه می توان از یادگیری تقویتی برای یافتن راه حل های جدید و غیرمنتظره برای مسائل شناخته شده استفاده کرد.
به گزارش سیناپرس، محققان موفق به توسعه الگوریتم های موثر تری شده اند که بر پایه هوش مصنوعی ساخته شده است. این رویکرد، بهترین الگوریتم های شناخته شده در حال حاضر را دوباره شناسایی کرده و در عین حال الگوریتم های جدیدی را که سریعتر از هر الگوریتم قبلی طراحی شده توسط انسان و کامپیوتر هستند، کشف می کند.
یافته ها پتانسیل یادگیری تقویتی عمیقی را برای یافتن رویکردهای جدید برای حل کارآمد تر وظایف محاسباتی موجود برجسته می کنند. بهبود کارایی الگوریتم هایی که عملیات محاسباتی اساسی را اجرا می کنند می تواند بر سرعت کلی تعداد زیادی از محاسبات تأثیر بگذارد.
طی این مطالعه، الحسین فوزی و همکارانش یک رویکرد یادگیری تقویتی عمیق را برای کشف خودکار الگوریتم ها برای یک کار محاسباتی اولیه مهم توصیف می‌کنند: ضرب ماتریس، که به طور معمول در آرایه های وسیعی از محاسبات استفاده می شود.
این سیستم که AlphaTensor نام دارد، یک وظیفه مهم بر عهده دارد که هدف آن یافتن بهترین راه برای ضرب دو ماتریس (آرایه اعداد) است. این روش جدید، بسیار چالش برانگیزتر از بازی های سنتی مانند شطرنج است و در برخی موارد به حدود یک تریلیون اقدام بیشتر نیاز دارد.
به گزارش سیناپرس، برنامه هوش مصنوعی AlphaTensor ، الگوریتم های شناخته شده قبلی را شناسایی و در نتیجه کارکرد سیستم را ثابت می کند. این سیستم همچنین الگوریتم های کاملاً جدیدی را پیدا کرده و در برخی موارد، اکتشافات الگوریتم هایی را بهبود می بخشد که با وجود تحقیقات زیاد، بیش از ۵۰ سال است که بهبود نیافته اند. علاوه بر این، AlphaTensor می تواند برای کشف الگوریتم هایی که در شرایط خاص به خوبی کار می کنند، برای اجرا بر روی انواع خاصی از رایانه ها بهینه شود.
نویسندگان به برخی محدودیت ها مانند نیاز به اجزای از پیش تعریف شده که ممکن است باعث شود زیرمجموعه ای از الگوریتم های کارآمد را از دست بدهد، برای سیستم خود اشاره می کنند.
با این حال، اکتشافات AlphaTensor می تواند وظایف محاسباتی که از الگوریتم های ضرب استفاده می کنند را بهبود بخشیده و همچنین نشان دهد که چگونه می توان از یادگیری تقویتی برای یافتن راه حل های جدید و غیرمنتظره برای مسائل شناخته شده استفاده کرد.
کد خبر ۲۱۵۰۱۰۷۱۷.۵۴۸
