Wyobraź sobie, że patrzysz na obrócony obraz cząsteczki. Jako człowiek bez trudu rozpoznajesz w nim tę samą cząsteczkę, tylko odwróconą. Jednak z perspektywy modelu uczenia maszynowego ten zmodyfikowany obraz mógłby zostać zinterpretowany jako zupełnie nowy i nieznany punkt danych. Ten dylemat zwraca uwagę na jedną z fundamentalnych zasad informatyki – symetrię. Z technicznego punktu widzenia cząsteczka jest ‘symetryczna’, jeśli jej podstawowa struktura pozostaje niezmieniona po zastosowaniu transformacji, takich jak obrót.
Znaczenie symetrii staje się szczególnie widoczne w dziedzinie odkrywania leków. W tej dziedzinie niezdolność modeli uczenia maszynowego do rozpoznawania symetrii może prowadzić do błędnych przewidywań dotyczących zachowania molekularnego. Pomimo pewnych postępów, kwestia szkolenia modeli w celu skutecznego zarządzania symetrią w efektywny sposób wciąż pozostaje nierozwiązana. Jednak postępy poczynione przez zespół naukowców z MIT sugerują, że rozwiązanie może być wreszcie w zasięgu ręki.
Naukowcy zapoczątkowali pierwszą przekonująco skuteczną metodę uczenia modeli uczenia maszynowego, która respektuje symetrię. Przełom ten nie tylko zapewnia rozwiązanie długotrwałego wyzwania teoretycznego, ale także stanowi potencjalny przełom dla bardziej niezawodnych i precyzyjnych systemów sztucznej inteligencji. Potencjalne zastosowania obejmują różne dziedziny, takie jak materiałoznawstwo i modelowanie klimatu.
Idąc dalej w kierunku podejścia inspirowanego naturą, Behrooz Tahmasebi, doktorant MIT i współgłówny autor badania, wyjaśnia: “Te symetrie mają kluczowe znaczenie, ponieważ stanowią rodzaj informacji, które natura przekazuje nam na temat danych. Informacje te powinny zostać uwzględnione w naszych modelach uczenia maszynowego. Wykazaliśmy, że wydajne uczenie maszynowe z wykorzystaniem danych symetrycznych jest rzeczywiście możliwe”.”
Symetria występuje w naturalnych i fizycznych konfiguracjach. Model uczenia maszynowego, który interpretuje symetrię, może pozwolić na rozpoznanie obiektu, takiego jak na przykład samochód, niezależnie od jego położenia na obrazie. Brak tego zrozumienia może sprawić, że modele będą podatne na niedokładności, gdy napotkają nieznane, symetryczne dane.
Podejmowano próby rozwiązania tego problemu za pomocą metod takich jak powiększanie danych, które obejmuje tworzenie wielu przekształconych wersji tego samego punktu danych. Może to jednak wymagać dużych zasobów i nie zapewnia świadomości symetrii w modelu.
Ostatnie badania przeprowadzone przez zespół MIT miały na celu obejście tych ograniczeń. Naukowcy zastosowali podwójną strukturę łączącą algebrę i geometrię. Korzystając z technik algebraicznych, zmniejszyli złożoność zadania uczenia się, podczas gdy spostrzeżenia geometryczne ułatwiły uchwycenie prawdziwej istoty symetrii w danych. Ostatecznie doprowadziło ich to do sformułowania optymalnej równowagi, która waży zarówno dokładność, jak i wydajność.
Ten rewolucyjny postęp toruje drogę dla nowej klasy modeli uczenia maszynowego, które są nie tylko dokładniejsze, ale także bardziej interpretowalne i oszczędne pod względem zasobów. Teraz mamy okazję głębiej zgłębić wewnętrzną mechanikę sieci neuronowych grafowych (GNN) i porównać ją z tym nowym algorytmem.
Rzeczywiście, jak twierdzi Ashkan Soleymani, inny absolwent MIT i współautor, “Kiedy lepiej to zrozumiemy, będziemy mogli zaprojektować bardziej interpretowalne, solidne i wydajne architektury sieci neuronowych”.”
Te pionierskie badania zostały sfinansowane przez Narodową Fundację Badawczą Singapuru, Narodowe Laboratoria DSO w Singapurze, Biuro Badań Marynarki Wojennej Stanów Zjednoczonych, Narodową Fundację Naukową Stanów Zjednoczonych oraz w ramach programu profesury im. Alexandra von Humboldta. Aby zapoznać się z wynikami tych badań, zachęcamy do przeczytania oryginalnego artykułu: MIT News: Nowe algorytmy umożliwiają efektywne uczenie maszynowe z symetrycznymi danymi.
Ta strona używa plików cookie.