矩陣乘法演算法 改善電腦數位領域
在電腦科學領域中，提高基礎運算的效率會產生廣泛的影響，因為這樣的變化將會連帶影響大量運算的整理速度。矩陣乘法，就是一個這樣的基本運算任務。
10月5日，在科學期刊《自然》（Nature）上發表了一份名為「透過強化學習發現更快的矩陣乘法演算法」（Discovering faster matrix multiplication algorithms with reinforcement learning）的研究成果。
研究團隊以一種基於 AlphaZero 的深度強化學習方法進行研究，並且以 AlphaTensor 作為該研究團隊的實驗代理人進行單人遊戲訓練。其訓練目標為在有限的要素空間範圍內找到張量分解（tensor decomposition）。
透過研究團隊在特定硬體上的改善，他們將其中的矩陣乘法進行調整，並為 AlphaTensor 成功地進行了50年以來第一次演算法的升級。
該團隊主要聚焦在矩陣乘法的基本任務，且使用深度強化學習來尋找可證明為正確且有效的矩陣乘法演算法。
根據《DeepMind》報導，關於該項研究成果對未來在研究和應用方面，是有很大的幫助。
就純數學的角度，該理論能夠確定出演算法能夠持續追求更快的效率，同時， AlphaTensor 也有助於加深大家對於矩陣乘法演算法在豐富程度上的理解。藉此，能夠為這個領域的複雜性「解鎖」。
就應用方面，鑑於矩陣乘法是諸多演算法在執行運算時的核心要件，包括電腦圖學、數位通訊、神經網路訓練以及電腦運算等，AlphaTensor 的成果也能夠運用在刺激新的演算法設計來創造新的應用程式，並且將數據控制的部分升級，防止誤差產生後，如「滾雪球」般地越滾越大。
該研究團隊表示，基於他們的研究，希望能夠推動更多的工作，包括應用人工智慧來幫助社會解決數學和科學領域的一些最重要的挑戰。（記者／戴偉丞）
瀏覽 1,211 次
