תורת הקונבולציה או תורת הקשרים במתמטיקה היא לא בעיה קלה? DeepMind עושה את העבודה שלה די טוב

Deepmind מבוסס על בינה מלאכותית וכבר עזר לפתור אפילו את החידות הקשות ביותר מספר פעמים. הפעם זה היה על קשרים שבהם מתמטיקאים מתמודדים במשך שנים רבות

נושא המחקר היה משהו שנקרא ניחוש, שהוא משפט לא מאושר שנראה נכון. אלגוריתמים של ה למידת מכונה  שימשו בעבר במתמטיקה לפיתוח רעיונות תיאורטיים כאלה, אך הם לא היו מורכבים כמו במקרה זה. מחברי פריצת הדרך הזו זכו להצלחה טבע מְתוּאָר.

 מקור תמונה: Pixabay / אלה

האזור הכללי שבו נעו החוקרים היה מה שמכונה ה-rמתמטיקה. מונח זה מתייחס למתמטיקה שמונעת על ידי יישומים מעשיים אחרים. ה מתמטיקה "רגילה". עם זאת, הוא בדרך כלל שואף לבצע שיפורים בתחומים אחרים כדי שנוכל להפיק ממנו תועלת בפועל.

מחקר בתחום זה לא קל ולא נעים, אלא למידת מכונה, ובפרט Deepmind, מציע תמיכה קונקרטית. הסיבה לכך היא שהוא יעיל מאוד במציאת דפוסים, מה שמאיץ מאוד את תהליך הסקת מסקנות מסוימות. נציגים מ-DeepMing עבדו עם מדענים מאוניברסיטאות סידני ואוקספורד.

DeepMind משתמש באלגוריתמים של למידת מכונה

צוות המחקר התמקד בכך תורת הקשרים ותורת הייצוג. עבור הראשונים הם מה שנקרא אינוריאנטים, כלומר גדלים אלגבריים, גיאומטריים או מספריים זהים, המפתח. החוקרים החליטו להשתמש ב-DeepMind כדי למצוא את הקשר בין אינוריאנטים גיאומטריים ואלגבריים. בדרך זו הם יכלו לעשות מה שנקרא שיפוע צמתים טבעי לְהַגדִיר.

בנוסף, השתמשו ב-DeepMind כדי להבין טוב יותר השערה של מתמטיקאים בסוף שנות ה-1970. בזמנו האמינו שאפשר להסתכל על סוג מסוים של גרף מורכב ורב מימדי ולמצוא משוואה שיכולה לייצג אותו. ב-DeepMind הם הצליחו להשיג את המטרה הזו באמצעות משהו שנקרא a פולינומים של קז'דן-לושטיג גִישָׁה. גם אם התקדמות כזו אינה מציעה יישומים מעשיים, הם כן מראים כמה פוטנציאל יש במערכות של  בינה מלאכותית פָּקוּק.

הדפסה