Инженеры часто сталкиваются с трудностями при решении сложных задач, связанных с множеством переменных. Например, при проектировании более безопасного автомобиля необходимо учитывать тысячи деталей, и каждая из них может повлиять на конечный результат. Традиционные инструменты оптимизации начинают сбоить при большом количестве переменных.
Как работает "ChatGPT для таблиц"?
Исследователи из MIT создали новый метод, который переосмысливает использование классического метода байесовской оптимизации для решения таких проблем. Их подход может находить лучшие решения в 10-100 раз быстрее, чем существующие методы. Это достигается использованием табличной модели, которая автоматически определяет наиболее важные переменные для улучшения производительности.
Табличные модели — это большие ИИ-системы, обученные на обширных наборах данных. Они могут адаптироваться к различным приложениям, что делает их особенно полезными в инженерных задачах.
Преимущества нового подхода
Основное преимущество этой технологии в том, что модель не требует постоянного переобучения, что значительно повышает эффективность. Это особенно важно в сложных задачах, таких как разработка материалов или открытие лекарств. "Современные модели ИИ и машинного обучения могут кардинально изменить способ, которым инженеры и ученые создают сложные системы," говорит Розен Ю, один из ведущих авторов исследования.
Ю отмечает, что одним из главных вызовов было найти подходящую табличную модель и интегрировать её с алгоритмом байесовской оптимизации. Это позволило выявить самые значимые аспекты дизайна, ускорив поиск оптимальных решений.
Проблемы и перспективы
Несмотря на успехи, метод не всегда превосходит другие алгоритмы, например в задачах планирования маршрута для роботов. Тем не менее, исследователи планируют улучшить производительность табличных моделей и применить их к еще более сложным задачам, таким как проектирование военных кораблей.
"Это работа указывает на более широкую тенденцию: использование фундаменальных моделей не только для обработки информации, но и как движков алгоритмов в научных и инженерных инструментах, что позволяет классическим методам, таким как байесовская оптимизация, работать в ранее невозможных условиях," отмечает Фаэз Ахмед.
