AI-uppgradering: Ny algoritm kan leda till billigare, mer exakta och lättviktiga AI-modeller

En grupp forskare har löst ett grundläggande problem inom maskininlärning och skapat den första metoden för att hantera symmetrisk data som garanterat är effektiv både vad gäller beräkningar och databehov. Den största utmaningen är att AI lätt kan förväxlas av symmetri; till exempel kan den se en roterad molekyl som ett helt nytt objekt istället för att känna igen den som samma struktur.

Dessa symmetrier är viktiga eftersom de är någon form av information som naturen berättar för oss om data, och vi bör ta hänsyn till det i våra maskininlärningsmodeller. Vi har nu visat att det är möjligt att göra maskininlärning med symmetrisk data på ett effektivt sätt. - Behrooz Tahmasebi, en doktorand från MIT och medansvarig författare.

Även om vissa nuvarande modeller som Graph Neural Networks kan hantera symmetri, har forskarna inte helt förstått varför de fungerar så bra. Detta MIT-team säger att de tog ett annat tillvägagångssätt - de utformade en ny algoritm genom att kombinera matematiska begrepp från algebra och geometri för att skapa ett system som effektivt kan lära sig och respektera symmetri.

Denna bevisligen effektiva metod kräver färre dataprover för träning, vilket kan förbättra en modells noggrannhet och anpassningsförmåga. Forskarna säger att deras arbete kan leda till utveckling av mer kraftfulla och mindre resurskrävande AI-modeller för ett brett spektrum av tillämpningar, "från att upptäcka nya material till att identifiera astronomiska anomalier och avslöja komplexa klimatmönster." Forskningen presenterades nyligen vid International Conference on Machine Learning.