DeepMind, daha hızlı matris çarpma algoritmalarını keşfeden ilk yapay zekayı tanıttı


9 Kasım’da sanal Düşük Kodlu/Kodsuz Zirvede, şirketinizin düşük kodlu/kodsuz araçlar aracılığıyla görevleri otomatikleştirmek ve daha fazla verimlilik sağlamak için uygulamaları nasıl oluşturabileceğini öğrenin. Buradan kaydolun.


Yapay zeka (AI), makine öğreniminin en temel görevlerinden biri olan matris çarpımını hızlandırmak için kendi algoritmalarını oluşturabilir mi? Bugün yayınlanan bir makalede, Doğa, DeepMind, “yeni, verimli ve kanıtlanabilir doğru algoritmaları keşfetmek için ilk yapay zeka sistemi” AlphaTensor’u tanıttı. Google’a ait laboratuvar, araştırmanın, iki matrisi çarpmanın en hızlı yolunu bulma konusunda matematikte 50 yıllık bir açık soruya “ışık tuttuğunu” söyledi.

Strassen algoritması 1969’da yayınlandığından beri, bilgisayar bilimi iki matrisi çarpma hızını aşma arayışı içinde. Matris çarpımı, lise matematiğinde öğretilen cebirin en basit işlemlerinden biri olsa da, aynı zamanda en temel hesaplama görevlerinden biridir ve ortaya çıktığı gibi, günümüz sinir ağlarındaki temel matematiksel işlemlerden biridir.

Matris çarpımı, akıllı telefon görüntülerini işlemek, konuşma komutlarını anlamak, bilgisayar oyunları için bilgisayar grafikleri oluşturmak, veri sıkıştırmak ve daha fazlası için kullanılır. Günümüzde şirketler, matris çarpma verimliliğini artırmak için pahalı GPU donanımı kullanıyor, bu nedenle herhangi bir ekstra hız, maliyetleri düşürme ve enerji tasarrufu açısından oyunun kurallarını değiştirir.

AlphaTensor, bir DeepMind blog yazısı, satranç ve Go gibi masa oyunlarında insanüstü performans sergileyen bir ajan olan AlphaZero’ya dayanıyor. Bu yeni çalışma, oyun oynamaktan çözülmemiş matematiksel problemlerin üstesinden gelmeye geçerek AlphaZero yolculuğunu daha da ileriye taşıyor.

Etkinlik

Düşük Kodlu/Kodsuz Zirve

9 Kasım’da sanal olarak gerçekleştirilecek Low-Code/No-Code Zirvesinde bugünün önde gelen yöneticilerine katılın. Ücretsiz geçişiniz için bugün kaydolun.

Buradan Kaydolun

DeepMind, bilgisayar bilimini geliştirmek için AI kullanıyor

DeepMind’de AI bilim başkanı Pushmeet Kohli bir basın brifinginde, bu araştırma AI’nın bilgisayar biliminin kendisini geliştirmek için nasıl kullanılabileceğini araştırıyor.

“Temel hesaplama görevleri için yeni algoritmalar bulmak için AI kullanabilirsek, bunun muazzam bir potansiyeli var çünkü şu anda kullanılan algoritmaların ötesine geçebiliriz, bu da verimliliğin artmasına neden olabilir” dedi.

Bunun özellikle zorlu bir görev olduğunu açıkladı, çünkü yeni algoritmaları keşfetme süreci çok zor ve yapay zeka kullanarak algoritmik keşfi otomatikleştirmek, algoritmik problem hakkında sezgi oluşturmaktan gerçekten yeni bir algoritma yazmaya ve kanıtlamaya kadar uzun ve zor bir akıl yürütme süreci gerektiriyor. algoritmanın belirli durumlarda doğru olduğunu.

“Bu bir dizi zor adım ve yapay zeka şimdiye kadar bu konuda pek iyi olmadı” dedi.

‘İlginç, akıllara durgunluk veren bir sorun’

DeepMind, hesaplamada bilinen bir sorun olduğu için matris çarpma sorununu üstlendi.

“Aynı zamanda çok merak uyandıran, akıllara durgunluk veren bir problem çünkü matris çarpımı lisede öğrendiğimiz bir şey” dedi. “Bu son derece basit bir işlem, ancak şu anda bu iki sayı kümesini gerçekten çarpmanın en iyi yolunu bilmiyoruz. Dolayısıyla bu, araştırmacılar olarak bizler için de bunu daha iyi anlamaya başlamamız için son derece teşvik edici.”

DeepMind’e göre AlphaTensor, birçok matris boyutu için son teknolojiden daha verimli ve insan tarafından tasarlananlardan daha iyi performans gösteren algoritmalar keşfetti.

Kohli, AlphaTensor’un sorun hakkında herhangi bir bilgisi olmadan başladığını ve ardından yavaş yavaş neler olduğunu öğrenip zamanla geliştiğini açıkladı. “Önce bize öğretilen bu sınıf algoritmasını buluyor, sonra Strassen’inki gibi tarihsel algoritmaları buluyor ve sonra bir noktada onları aşıyor ve öncekinden daha hızlı olan tamamen yeni algoritmalar keşfediyor.”

Kohli, bu makalenin diğer temel rekabet görevleri için algoritmik keşiflere rehberlik etmek için AI kullanma konusunda başkalarına ilham vermesini umduğunu söyledi. “Bunun, algoritmik keşif için gerçekten AI kullanma yolunda büyük bir adım olduğunu düşünüyoruz” dedi.

DeepMind’ın AlphaTensor’u AlphaZero kullanıyor

DeepMind’de personel araştırma mühendisi olan Thomas Hubert’e göre, AlphaZero gerçekten tek oyunculu bir oyun olarak AlphaTensor’un perde arkasında çalışıyor. “Burada matris çarpımı için uygulanan satranç oynamayı öğrenen algoritmanın aynısı, ancak bu sonsuz geniş alanı işlemek için genişletilmesi gerekiyordu – ancak bileşenlerin çoğu aynı” dedi.

Aslında, DeepMind’e göre, bu oyun o kadar zorlayıcı ki “düşünülmesi gereken olası algoritmaların sayısı, küçük matris çarpımları için bile evrendeki atomların sayısından çok daha fazla.” Onlarca yıldır bir AI mücadelesi olan Go ile karşılaştırıldığında, olası hareketlerin sayısı 30 kat daha fazladır.

“Oyun, temelde bazı algoritmik işlemleri temsil eden bazı izin verilen hareketlerle tensörü sıfırlamakla ilgili” diye açıkladı. “Bu bize çok önemli iki sonuç veriyor: Birincisi, tensörü sıfırdan mükemmel bir şekilde ayrıştırabiliyorsanız, o zaman kanıtlanabilir doğru bir algoritmaya sahip olmanız garanti edilir. İkincisi, bu tensörü ayrıştırmak için atılan adım sayısı aslında size algoritmanın karmaşıklığını verir. Yani çok, çok temiz.”

DeepMind’in makalesi ayrıca AlphaTensor’un daha önce düşünülenden daha zengin bir matris çarpma algoritması alanı keşfettiğini belirtti – her boyut için binlerce.

Blog gönderisine göre yazarlar, Nvidia V100 GPU ve Google TPU v2 gibi belirli bir donanımda hızlı olan algoritmaları özellikle bulmak için AlphaTensor’u uyarladıklarını söyledi. Bu algoritmalar, büyük matrisleri aynı donanım üzerinde yaygın olarak kullanılan algoritmalardan %10-20 daha hızlı çarpar ve bu da AlphaTensor’un keyfi hedefleri optimize etme esnekliğini gösterir.”

Bilim ve matematik üzerinde artan yapay zeka etkisi

Temmuz ayında geri, araştırmacılar, DeepMind’in AlphaFold aracının, dünyadaki bilinen hemen hemen her proteini kaplayan yaklaşık bir milyon türden 200 milyondan fazla proteinin yapılarını tahmin edebildiğini gösterdi. Kohli, AlphaTensor’un yapay zekanın sadece bilimde değil matematikte de sahip olduğu potansiyeli gösterdiğini söyledi.

Kohli, “Yapay zekanın son 50 yılda insan bilim adamlarının yapabildiklerinin ötesine geçme vaadini yerine getirdiğini görmek, kişisel olarak inanılmaz derecede heyecan verici” dedi. “Sadece yapay zeka ve makine öğreniminin sahip olabileceği etki miktarını gösteriyor.”

VentureBeat’in misyonu teknik karar vericilerin dönüştürücü kurumsal teknoloji ve işlemler hakkında bilgi edinmeleri için dijital bir şehir meydanı olmaktır. Brifinglerimizi keşfedin.


Kaynak : https://venturebeat.com/ai/deepmind-unveils-first-ai-to-discover-faster-matrix-multiplication-algorithms/

Yorum yapın