AI AlphaTensor dari DeepMind membuat perkalian matriks yang kompleks terlihat seperti permainan
Apa ceritanya
Kita semua pernah melakukan perkalian matriks di sekolah, bukan? Jika Anda ingat dengan benar, mereka tidak begitu sulit.
Tapi tahukah Anda bahwa di luar kelas, pengaruh operasi matematika sederhana ini berkisar dari memproses gambar hingga menghasilkan grafik untuk permainan komputer dan banyak lagi?
DeepMind Google telah mengembangkan AI yang dijuluki 'AlphaTensor' yang dapat membuat semua perhitungan komputasi yang rumit ini terlihat seperti permainan.
Konteks
Mengapa artikel ini penting?
Algoritme hadir untuk membuat tugas komputasi menjadi mudah. Algoritme buatan manusia telah membawa kita sejauh ini, tetapi kita tidak dapat menyangkal ketidakefisienannya.
Di situlah algoritme yang dihasilkan AI berperan. AI seperti AlphaTensor dapat membawa tugas komputasi ke tingkat yang berbeda dari yang pernah terlihat sebelumnya.
Ini adalah perkalian matriks sekarang, tetapi bisa menjadi sesuatu yang lain besok. Potensinya tidak terbatas dengan algoritme yang dihasilkan AI ini.
Kesulitan
Mengalikan matriks yang lebih besar secara efisien masih merupakan perjuangan besar
Perkalian matriks menjadi sangat sulit di dunia digital. Algoritme telah lama digunakan untuk menemukan solusi yang efisien untuk perkalian matriks.
Pada tahun 1969, matematikawan Volker Strassen menemukan cara untuk mengalikan pasangan matriks 2x2 hanya dalam tujuh perkalian. Ini jauh lebih efisien daripada algoritme standar.
Namun, mengalikan matriks yang lebih besar, bahkan sepasang matriks 3x3, masih merupakan perjuangan besar.
Penguatan
AI diperkuat jika mencapai tujuan multilangkah
Para peneliti di DeepMind menggunakan dua metode untuk memungkinkan AlphaTensor menemukan algoritme untuk perkalian matriks.
Pertama, mereka menggunakan 'pembelajaran penguatan,' suatu bentuk pembelajaran mesin di mana agen AI (biasanya jaringan saraf) diberi penghargaan untuk mencapai tujuan multilangkah. Sebagai penguatan, parameter internal agen diperbarui untuk memungkinkan keberhasilan di masa depan.
AlphaTensor juga menggunakan metode permainan yang disebut 'pencarian pohon'.
Kemungkinan bercabang
Apa itu 'pencarian pohon'?
Dalam 'pencarian pohon', saat merencanakan tindakan selanjutnya, AlphaTensor mengeksplorasi hasil dari kemungkinan bercabang.
Jaringan saraf membantunya memutuskan jalur terbaik dengan memprediksi hasil yang paling menjanjikan di setiap langkah. Saat AI belajar, ia menggunakan hasil dari permainannya sebagai umpan balik untuk meningkatkan jaringan saraf.
Proses umpan balik ini meningkatkan pencarian pohon.
Pendekatan
Menemukan algoritme yang efisien diubah menjadi permainan satu pemain
Sekarang mari kita lihat apa yang dilakukan AlphaTensor. Masalah menemukan algoritme yang efisien untuk mengalikan matriks diubah menjadi permainan pemain tunggal.
Setiap permainan adalah teka-teki yang dimulai dengan kotak angka yang diisi dengan benar. AI harus membuat semua angka menjadi nol dalam langkah paling sedikit.
AI hanya bisa membuat gerakan yang diizinkan.
Gerakan
Agen harus memilih dari jutaan gerakan
Setiap gerakan yang dilakukan oleh AI adalah perhitungan. Ketika dibalik, gerakan ini menggabungkan entri dari dua matriks untuk membuat entri dalam matriks keluaran.
Ini adalah proses yang sulit karena agen harus memilih dari jutaan gerakan. Peneliti menunjukkan AlphaTensor beberapa permainan yang sukses sehingga tidak harus memulai dari awal.
Kesimpulan
AI ini hadir dengan solusi yang lebih efisien dalam banyak kasus
Para peneliti di DeepMind menguji AlphaTensor pada matriks input hingga 5x5. Kadang-kadang, ia muncul dengan jalan pintas yang dirancang oleh Strassen dan ahli matematika lainnya, tetapi di lain waktu, ia muncul dengan solusi yang lebih efisien.
Ini menangani perkalian matriks yang lebih besar dengan membuat meta-algoritme yang memecahnya menjadi masalah yang lebih kecil.
Dalam banyak kasus, AI ini mempercepat perkalian matriks dengan beberapa persentase
Pernyataan resmi
DeepMind: AlphaTensor akan melampaui alam intuisi manusia
"Melalui pembelajaran, AlphaTensor secara bertahap meningkat dari waktu ke waktu, menemukan kembali sejarah algoritme perkalian matriks cepat seperti Strassen, akhirnya melampaui ranah intuisi manusia dan menemukan algoritme lebih cepat dari yang diketahui sebelumnya," kata DeepMind.
"AI ini memiliki intuisi yang luar biasa dengan memainkan permainan ini," kata Pushmeet Kohli dari DeepMind.