Stellen Sie sich vor, Sie betrachten ein gedrehtes Bild eines Moleküls. Als Mensch erkennen Sie mühelos, dass es sich um dasselbe Molekül handelt, das lediglich gespiegelt wurde. Aus der Perspektive eines Modells des maschinellen Lernens könnte dieses angepasste Bild jedoch als völlig neuer und bisher unbekannter Datenpunkt interpretiert werden. Dieses Dilemma rückt eines der Grundprinzipien der Informatik in den Fokus – die Symmetrie. Technisch definiert ist ein Molekül ‘symmetrisch’, wenn seine Grundstruktur durch Transformationen wie beispielsweise eine Drehung unverändert bleibt.
Die Bedeutung der Symmetrie wird besonders deutlich, wenn man sie auf den Bereich der Arzneimittelentdeckung anwendet. In diesem Bereich könnte die Unfähigkeit von Modellen des maschinellen Lernens, Symmetrie zu erkennen, dazu führen, dass sie falsche Vorhersagen über das molekulare Verhalten machen. Trotz einiger Fortschritte stellt sich immer noch die Frage, wie Modelle trainiert werden können, um Symmetrie effektiv und effizient zu handhaben. Die Fortschritte eines Teams von MIT-Forschern deuten jedoch darauf hin, dass die Lösung in greifbare Nähe gerückt sein könnte.
Die Forscher haben die erste überzeugend effektive Methode für das Training von Modellen des maschinellen Lernens entwickelt, die die Symmetrie berücksichtigt. Dieser Durchbruch bietet nicht nur eine Lösung für eine seit langem bestehende theoretische Herausforderung, sondern stellt auch einen potenziellen Wegbereiter für robustere und präzisere KI-Systeme dar. Die potenziellen Anwendungen erstrecken sich auf verschiedene Bereiche wie die Materialwissenschaft und die Klimamodellierung.
Behrooz Tahmasebi, ein Doktorand am MIT und Mitautor der Studie, geht noch einen Schritt weiter in Richtung eines von der Natur inspirierten Ansatzes und erläutert: “Diese Symmetrien sind entscheidend, da sie Informationen darstellen, die die Natur über die Daten preisgibt. Diese Informationen sollten in unsere Modelle des maschinellen Lernens einfließen. Wir haben gezeigt, dass effizientes maschinelles Lernen mit symmetrischen Daten tatsächlich machbar ist.”
Symmetrie ist in der Natur und in physikalischen Systemen allgegenwärtig. Ein Modell für maschinelles Lernen, das Symmetrie interpretiert, kann ein Objekt, wie z. B. ein Auto, unabhängig von seiner Position in einem Bild erkennen. Das Fehlen dieses Verständnisses kann Modelle für Ungenauigkeiten anfällig machen, wenn sie auf unbekannte, symmetrische Daten treffen.
Es wurde versucht, dieses Problem durch Methoden wie die Datenerweiterung zu lösen, bei der mehrere transformierte Versionen desselben Datenpunktes erstellt werden. Dies kann jedoch ressourcenintensiv werden und gewährleistet nicht, dass das Modell die Symmetrie berücksichtigt.
Die jüngste Untersuchung des MIT-Teams versuchte, diese Einschränkungen zu umgehen. Die Forscher verwendeten einen dualen Rahmen, der Algebra und Geometrie kombiniert. Mithilfe algebraischer Techniken reduzierten sie die Komplexität der Lernaufgabe, während geometrische Erkenntnisse dazu beitrugen, das wahre Wesen der Symmetrie in den Daten zu erfassen. Letztlich führte dies dazu, dass sie ein optimales Gleichgewicht zwischen Genauigkeit und Effizienz formulierten.
Dieser revolutionäre Fortschritt ebnet den Weg für eine neue Klasse von Modellen des maschinellen Lernens, die nicht nur genauer, sondern auch besser interpretierbar und ressourceneffizienter sind. Nun bietet sich die Gelegenheit, tiefer in die inneren Abläufe von Graph-Neural-Netzwerken (GNNs) einzutauchen und diese mit dem neuen Algorithmus zu vergleichen.
Ashkan Soleymani, ein weiterer MIT-Absolvent und Mitautor, erklärt: "Wenn wir das besser verstehen, können wir besser interpretierbare, robustere und effizientere neuronale Netzwerkarchitekturen entwerfen."
Diese bahnbrechende Arbeit wurde von der National Research Foundation of Singapore, den DSO National Laboratories of Singapore, dem US-amerikanischen Office of Naval Research, der US-amerikanischen National Science Foundation sowie einer Alexander-von-Humboldt-Professur gefördert. Wenn Sie sich näher mit dieser Forschung befassen möchten, laden wir Sie ein, den Originalartikel zu lesen: MIT Nachrichten: Neue Algorithmen ermöglichen effizientes maschinelles Lernen mit symmetrischen Daten.
Diese Website verwendet Cookies.