Новый алгоритм MIT повышает эффективность ИИ при работе с симметричными структурами

Группа ученых из Массачусетского технологического института опубликовала результаты работы над новым подходом к машинному обучению, направленным на решение проблем обработки симметричных структур данных. Доклад о проведении был представлен участникам Международной конференции по машинному обучению.

Разработанная методика представляет собой первое решение с математически доказанной эффективностью для обучения систем искусственного интеллекта правильному восприятию симметричных элементов в массивах информации. Ранее подобная структура создавала значительные трудности для алгоритмов машинного обучения, которые часто неправильно классифицировали отдельные объекты в различных пространственных ориентациях.

Классические создания таких проблем служат ситуации, когда система воспринимает химическую молекулу, другую под другим углом, как фундаментальный иной объект, вместо того, чтобы увидеть ее как ту же самую структуру в измененном положении. Допускаются ошибки, которые снижают эффективность работы моделей и требуют дополнительных вычислительных ресурсов.

Соавтор исследования, аспирант Массачусетского технологического института Бехруз Тахмасеби, отметил важность корректного учета симметричных свойств в среднем машинном обучении. По его словам, симметрия представляет собой форму информации, обеспечивающую природу, и эти данные должны находить отражение в алгоритмах обработки.

Основу нового метода составляет синтез вычислений алгебры и геометрии, который позволяет создать систему с гарантированной производительностью. Данный подход кардинально отличается от примененных ранее технологий, включая графические нейронные сети, которые развивают способность работать с симметричными данными, однако их механизмы недостаточно изучены.

Ключевые характеристики представленного алгоритма включают меньший объем, необходимый для обучения выборочных данных, что обеспечивает повышение точности прогнозов и поддержку возможностей адаптации моделей. Метод обеспечивает согласованную эффективность в двух аспектах: вычислительной производительности и качестве обработки информации.

Авторы работ продвигают свои разработки в различных научных дисциплинах. Новая технология может стать для создания более производительных и экономичных моделей искусственного интеллекта. Потенциальные области применения охватывают исследования в области материаловедения, астрономические наблюдения за аномальными явлениями и анализ климатических процессов.

Достижения команды MIT знаменуют решающий этап в эволюции технологии машинного обучения, предоставляя научно обоснованный инструмент для перехода к одному из принципов защиты современных систем ИИ.

Источник: Notebookcheck