DeepMind 使用 AI 加速矩阵乘法

DeepMind Lab 使用 AlphaZero AI 解决了计算机科学中的一个基本数学问题，并打破了 50 多年前的记录。 《技术评测》对此进行了报道。

这是关于矩阵乘法的。 它是一种重要的计算类型，支持从在屏幕上显示图像到模拟复杂物理过程的应用程序。

尽管该方法被广泛使用，但它仍然没有被很好地理解。 矩阵是可以表示任何事物的数字网格。 将两个这样的对象相乘的基本技术是在高中教授的。

但是，当您尝试找到解决问题的更快方法时，事情会变得更加复杂。 根据科学家的说法，将两个矩阵相乘的选择可能比Cosmos中的Atom数量还要多。

“可能的操作数量几乎是无限的，”DeepMind 工程师 Thomas Hubert 说。

研究人员的方法是将任务变成一种名为 TensorGame 的棋盘游戏。 棋盘是一个乘法问题，每一步都是为了解决它。 因此，朝着最终目标采取的一系列行动就是一种算法。

然后，科学家们训练了一个名为 AlphaTensor 的新版本 AlphaZero 来玩这个游戏。 与国际象棋或围棋类似，人工智能在乘法矩阵时学会了最好的一系列动作。 对于以最少步数获胜的胜利，AlphaTensor 获得了奖励。

“我们把它变成了一个游戏——我们最喜欢的一种框架，”休伯特说。

研究人员的主要成果是加速了这一问题的解决。 例如，将矩阵四乘以四的基本学校方法由 64 个步骤组成。 解决问题的最快方法是德国数学家沃尔克施特拉森在 1969 年发现的：它由 49 步组成。 AlphaTensor 分 47 步完成。

据研究人员称，对于 70 多种不同的矩阵大小，DeepMind 系统的性能优于现有的最佳算法。 AlphaTensor 为每个问题找到的不同正确算法的数量给他们留下了深刻的印象。

“令人惊讶的是，至少有 14,000 种方法可以将 4×4 矩阵相乘，”DeepMind 的研究员 Hussein Fawzi 说。

在搜索了理论上最快的算法后，该团队使用 AlphaTensor 在 Nvidia V100 GPU 和 Google TPU 上搜索算法。 根据测试结果，该程序找到正确解决方案的速度比在类似芯片上使用标准方法快 10-20%。

研究人员说，这也是机器学习本身的基础。 加速计算可以对数以千计的日常计算任务、削减成本和节能产生重大影响。

未来，DeepMind 计划使用 AlphaTensor 来寻找其他类型的算法。

回想一下，在 7 月份，AI 实验室表示，AlphaFold 系统预测了超过 2 亿个蛋白质的结构。 这些几乎都是科学已知的在植物、细菌和动物中发现的所有Compound。

5 月，DeepMind 推出了具有 800 亿个参数的视觉语言模型。

在 Telegram 上订阅 ForkLog 新闻：ForkLog AI – 来自 AI 世界的所有新闻

在文本中发现错误？ 选择它并按 CTRL+ENTER