Прорыв MIT: эффективные алгоритмы ИИ для симметричных данных в науке и технологиях

Новый виток в машинном обучении: симметрия под контролем

Вы когда-нибудь задумывались, как модель ИИ распознаёт молекулу, даже если её слегка повернуть? Честно говоря, для нас это очевидно, а для алгоритмов — нет. Если алгоритм не учтёт симметрию, он воспримет повёрнутую структуру как новый объект. Последствия? Ошибки в прогнозах и лишние вычислительные затраты.

Учёные из MIT нашли выход — первый в мире метод, который гарантированно учитывает симметрию и при этом остаётся эффективным и по количеству данных, и по скорости обучения. Представьте: вместо бесконечной генерации новых примеров через повороты и отражения, алгоритм сам «понимает», что X и повернутое X — одно и то же.

Почему симметрия так важна?

В сфере разработки лекарств и материалов симметричные структуры встречаются на каждом шагу. Неправильное распознавание молекулы может привести к неточным расчётам её свойств. А это, согласитесь, дорого и рискованно. Раньше исследователи либо наращивали датасет за счёт трансформаций, либо встраивали симметрию в архитектуру сетей, например, в граф-нейронные сети. Оба подхода имеют свои минусы: рост вычислений или непрозрачность «мозга» модели.

Алгебра + геометрия = магия

Команда MIT решила совместить два мира: алгебру и геометрию. Сначала они сжали задачу с помощью алгебраических приёмов, а затем перевели её в геометрическую форму, где симметрия легко «ловится». В итоге получилась оптимизационная задача, решаемая быстро и с меньшим количеством примеров.

«Мы доказали, что можно обучать модели с учётом симметрии эффективно», — отмечает Бехруз Тахмасеби, один из ведущих авторов исследования. Его коллеги, в том числе профессора Стефани Егелька и Патрик Джейлетт, добавляют: это открывает путь к новым архитектурам нейросетей, которые будут и точнее, и быстрее.

Что дальше?

Теперь, когда доказан сам факт эффективности, остаётся дело за малым — применять эти алгоритмы в реальных задачах. По плану — более прозрачные и надёжные сети для поиска новых веществ, анализа космических данных и даже прогнозирования климатических процессов. Интересно, какие ещё тайны симметрии они помогут раскрыть?