راهکار هوش مصنوعی جدید دیپ‌مایند برای ضرب ماتریسی
هوش مصنوعی جدید دیپ‌مایند موفق شده است، تا برای اولین بار طی پنجاه سال گذشته، روش جدیدی برای ضرب اعداد کشف کند. از آن‌جایی که بیشتر نرم‌افزارها مبتنی بر عملیات ضرب هستند، روش جدید می‌تواند سرعت محاسبات را تا ۲۰ درصد افزایش دهد.
ضرب ماتریسی که طی آن دو یا چندین شبکه عدد در هم ضرب می‌شوند، یکی از بنیادی‌ترین مسائل محاسباتی است که در تقریباً تمامی نرم‌افزارها، به‌ویژه در گرافیک، هوش مصنوعی و شبیه‌سازی‌های علمی، به کار می‌رود. حتی پیشرفت‌های کوچک در الگوریتم‌های ضرب هم می‌تواند عملکرد نرم‌افزارها را بهبود ببخشد و یا مصرف انرژی را به مقدار قابل‌ملاحظه‌ای کاهش دهد.
طی چند صد سال، باور عموم بر این بود که ضرب ماتریسی به تعداد مؤلفه‌های حاضر در ماتریس‌ها بستگی دارد، یعنی هرچه ماتریس‌ها بزرگ‌تر باشند، ضرب سخت‌تر می‌شود؛ اما در سال ۱۹۶۹، ریاضی‌دانی به نام ولکر استرسن اثبات کرد که ضرب دو ماتریس دو ردیفی که در هر ردیف دو عدد دارند، لزوماً شامل هشت ضرب نمی‌شود؛ بلکه با شگردی هوشمندانه می‌توان تعداد ضرب‌ها را به هفت تا کاهش داد. این رویکرد که با نام الگوریتم استرسن شناخته می‌شود، مستلزم اجرای عملیات جمع است؛ اما عملیات جمع در کامپیوترها به زمان بسیار کمتری از ضرب نیاز دارد.
الگوریتم استرسن بیش از ۵۰ سال است که مؤثرترین روش برای ضرب ماتریسی به شمار می‌رود؛ البته پیشرفت‌هایی هم در این حوزه به دست آمده‌اند که چون با کد کامپیوترها سازگاری نداشته‌اند، کاربرد نهایی نداشته‌اند. با این حال، هوش مصنوعی جدید دیپ‌مایند موفق به کشف تکنیکی شده است که روی سخت‌افزارهای موجود نیز عملکردی سریع و عالی از خود نشان می‌دهد. این سیستم که آلفاتنسور نام گرفته است، بدون هیچ دانش قبلی از راه‌حل‌های احتمالی کارش را شروع می‌کند و بعد از رویارویی با مسئله، الگوریتمی را می‌سازد، تا طی حداقل گام‌های ممکن، مسئله را حل کند.
به عنوان مثال، آلفاتنسور برای ضرب دو ماتریس ۴×۴ الگوریتمی را پیدا کرد که تنها به ۴۷ ضرب نیاز داشت، در حالی که الگوریتم استرسن به ۴۹ ضرب نیاز دارد. به علاوه، برای ضرب ماتریس‌های بزرگ‌تر نیز به تکنیک‌های بهتر و پیشرفته‌تری دست یافته است.
آلفاتنسور برای هر ماتریس هزاران الگوریتم پیدا می‌کند؛ برای مثال، برای ضرب ماتریس‌های ۴×۴ به ۱۴,۰۰۰ الگوریتم دست یافت. اما تنها شمار کمی از این الگوریتم‌ها بهتر از رویکردهای قبلی هستند.
نظر شما :