Физики систематизировали методы ИИ через принцип сжатия данных

4 марта 2026 года исследователи из Университета Эмори опубликовали в издании The Journal of Machine Learning Research результаты работы над созданием единой математической структуры для алгоритмов искусственного интеллекта. Разработанная модель, получившая название «вариационная многомерная информационная структура узкого места», призвана упорядочить процесс выбора архитектуры для мультимодальных систем, объединяющих текст, изображения и видео.

Ключевым открытием группы под руководством профессора Ильи Неменмана стало выявление общего фундаментального принципа, лежащего в основе большинства успешных современных методов машинного обучения. Ученые установили, что эффективность алгоритмов зависит от способности сжимать входящие массивы данных ровно настолько, чтобы сохранить только те параметры, которые необходимы для точного прогнозирования результата. Этот подход позволяет классифицировать различные методы ИИ подобно элементам в периодической таблице, распределяя их в зависимости от того, какую информацию функция потерь оставляет, а какую отбрасывает.

Новая методика функционирует как «регулятор», позволяя разработчикам настраивать алгоритмы под конкретные задачи без необходимости каждый раз начинать поиск решения с нуля. В отличие от стандартных подходов, ориентированных исключительно на итоговую точность, физики сосредоточились на поиске универсальных законов, объясняющих внутреннюю логику работы нейросетей.

Практическое применение структуры подтверждено тестированием на десятках существующих методов и эталонных наборах данных. Результаты показывают, что использование данной математической модели позволяет сократить объем необходимых для обучения данных и снизить вычислительные затраты. Это достигается за счет исключения кодирования избыточных функций, что делает системы менее энергозатратными и более экологичными.

Авторы исследования, включая Эслама Абделалима и Майкла Мартини, отмечают, что упрощение вывода функций потерь открывает возможности для решения задач, где ранее не хватало данных. В дальнейшем команда планирует применить разработку в биологии для сравнения принципов обработки информации в машинном обучении и человеческом мозге с целью выявления общих когнитивных закономерностей.

Источник: ScienceDaily