Періодична таблиця для ШІ. Фізики знайшли універсальну формулу машинного навчання

Це дослідження, опубліковане в The Journal of Machine Learning Research, пропонує систематичний підхід до вибору та створення алгоритмів, що дозволяє розробникам не блукати навпомацки у швидкоплинному світі мультимодального ШІ.

Читайте также: Європа створює космічні кораблі, здатні до самовідновлення: як це працює

Головною проблемою сучасного ШІ є складність вибору правильного алгоритму для об’єднання тексту, зображень та відео. Досі розробникам доводилося випробовувати сотні «функцій втрат» — математичних формул, що вимірюють помилки моделі, — аби знайти найкращу. Проте команда під керівництвом професора Іллі Неменмана з’ясувала, що більшість успішних методів базуються на єдиному принципі: стисненні даних до того рівня, щоб зберегти лише ключові фрагменти, необхідні для прогнозування.

Автори дослідження розробили«варіаційну багатовимірну інформаційну структуру». Вона діє як своєрідний регулятор, що дозволяє налаштувати, яку саме інформацію модель має залишити, а яку — відкинути. Цей підхід відрізняється від традиційного навчання ШІ, де головною метою є лише точність без розуміння внутрішніх процесів. Фізики ж прагнули знайти фундаментальні принципи, що об’єднують різні методи в одну систему.

Практична цінність розробки є колосальною. Використання цієї платформи дозволяє прогнозувати успішність алгоритмів ще до початку навчання, оцінювати необхідний обсяг даних та уникати критичних помилок. Оскільки структура допомагає виключити неважливі функції, це значно знижує обчислювальні витрати. Це не лише робить системи економічно вигіднішими, а й зменшує їхній екологічний слід, адже для роботи ШІ потрібно менше енергії та потужностей серверів, розташованих на площах у тисячі квадратних метрів.

Читайте также: Краще піти до лікаря. ChatGPT Health часто недооцінює невідкладні медичні стани — дослідження

Особливий інтерес викликає потенціал моделі в наукових дослідженнях. Вчені планують застосувати свій підхід у біології, зокрема для вивчення когнітивних функцій мозку. Вони сподіваються з’ясувати, чи існують спільні закономірності в тому, як обробляє інформацію людський розум та штучна нейронна мережа. На думку авторів, такий системний підхід відкриє двері для експериментів, які раніше були неможливими через брак даних.