Uma equipe de pesquisadores da DeepMind do Google, em Londres, descobriu que a IA pode encontrar algoritmos mais rápidos para resolver problemas de multiplicação de matrizes. Em seu artigo publicado na revista Nature, o grupo descreve o uso de aprendizado por reforço para melhorar algoritmos baseados em matemática. Um Briefing de Pesquisa também foi publicado na mesma edição da revista, resumindo o trabalho da equipe em Londres.
A matemática surge com bastante frequência na programação de computadores, geralmente como um meio de descrever e depois manipular representações de fenômenos do mundo real. Por exemplo, é usado para representar pixels em uma tela de computador, condições climáticas ou nós em uma rede artificial. Uma das principais maneiras pelas quais a matemática é usada nesses casos é realizar cálculos em matrizes. Ao programar jogos, por exemplo, as matrizes descrevem as possíveis opções de movimento. Para que tais movimentos sejam realizados, as matrizes são muitas vezes multiplicadas ou somadas – às vezes, ambas as ações são necessárias. Isso requer muito trabalho, especialmente à medida que as matrizes crescem, e é por isso que os cientistas da computação gastaram muito tempo e energia desenvolvendo algoritmos cada vez mais eficientes para fazer o trabalho. Em 1969, por exemplo, o matemático Volker Strassen descobriu uma maneira de multiplicar duas matrizes 2×2 usando apenas sete operações de multiplicação em vez das oito que eram o padrão.
Nesse novo esforço, os pesquisadores da DeepMind se perguntaram se seria possível usar um sistema de IA baseado em aprendizado por reforço para criar novos algoritmos com menos etapas do que os agora em uso. Para descobrir, eles buscaram inspiração nos sistemas de jogos, observando que a maioria é baseada no aprendizado por reforço. Depois de construir alguns sistemas preliminares, a equipe voltou seu foco para a busca em árvore, que também é usada na programação de jogos. É um meio para um sistema olhar para vários cenários, dada uma situação particular. Quando aplicados à multiplicação de matrizes, os pesquisadores descobriram que converter um sistema de IA em um jogo permitiu a busca da maneira mais eficiente de chegar a um resultado desejado – um resultado matemático.
Os pesquisadores testaram seu sistema permitindo que ele procurasse, revise e depois usasse algoritmos existentes, usando recompensas como um incentivo para escolher aquele que fosse mais eficiente. O sistema aprendeu sobre os fatores que contribuem para a eficiência da multiplicação de matrizes. Em seguida, os pesquisadores permitiram que o sistema criasse seu próprio algoritmo, novamente buscando melhorar a eficiência. Os pesquisadores descobriram que, em muitos casos, os algoritmos escolhidos pelo sistema eram melhores do que aqueles criados por seus predecessores humanos.
Publicado em 08/10/2022 14h41
Artigo original:
Estudo original: