Fysiikka tekoälyn perustaksi26.02.2025
Torque Clustering voi tehokkaasti ja itsenäisesti analysoida valtavia tietomääriä esimerkiksi biologian, kemian, tähtitieteen, psykologian, rahoituksen ja lääketieteen aloilla ja paljastaa uusia oivalluksia, kuten sairausmallien havaitseminen, petosten paljastaminen tai käyttäytymisen ymmärtäminen. ”Luonnossa eläimet oppivat tarkkailemalla, tutkimalla ja olemalla vuorovaikutuksessa ympäristönsä kanssa ilman erityisiä ohjeita. Tekoälyn seuraava aalto, "ohjaamaton oppiminen", pyrkii jäljittelemään tätä lähestymistapaa", sanoi professori CT Lin Sydneyn teknillisestä yliopistosta (UTS). ”Lähes kaikki nykyiset tekoälytekniikat perustuvat 'ohjattuun oppimisen', harjoittelumenetelmään, joka edellyttää, että ihminen merkitsee suuret tietomäärät ennalta määritettyjen luokkien tai arvojen avulla, jotta tekoäly voi tehdä ennusteita ja nähdä suhteita. "Ohjatulla oppimisella on useita rajoituksia. Datan merkitseminen on kallista, aikaa vievää ja usein epäkäytännöllistä monimutkaisissa tai suurissa tehtävissä. Sen sijaan valvomaton oppiminen toimii ilman merkittyä dataa ja paljastaa tietojoukkojen luontaiset rakenteet ja mallit." Torque Clustering -algoritmi toimii tehokkaammin kuin perinteiset valvomattomat oppimismenetelmät ja tarjoaa mahdollisen paradigman muutoksen. Se on täysin itsenäinen, parametriton ja pystyy käsittelemään suuria tietojoukkoja poikkeuksellisella laskentateholla. Se on testattu tiukasti 1 000 eri tietojoukossa, jolloin keskimääräinen mukautettu keskinäinen tieto (AMI) -pistemäärä – klusterointitulosten mitta – on 97,7 %. Vertailun vuoksi muilla huipputekniikan menetelmillä saavutetaan vain 80 %:n pisteet. "Vääntömomentin klusteroinnin (Torque Clustering) erottaa sen perusta fyysisessä vääntömomentin käsitteessä, minkä ansiosta se voi tunnistaa klustereita itsenäisesti ja mukautua saumattomasti erilaisiin tietotyyppeihin, joiden muoto, tiheys ja kohina-aste vaihtelevat", sanoi ensimmäinen kirjoittaja, tohtori Jie Yang. "Se sai inspiraationsa vääntömomentin tasapainosta gravitaatiovuorovaikutuksissa galaksien sulautuessa. Se perustuu kahteen maailmankaikkeuden luonnolliseen ominaisuuteen: massaan ja etäisyyteen. Tämä yhteys fysiikkaan lisää menetelmään perustavanlaatuisen tieteellisen merkityksen. ”Viime vuoden fysiikan Nobel-palkinto myönnettiin perustavanlaatuisista löydöistä, jotka mahdollistavat ohjatun koneoppimisen keinotekoisten neuroverkkojen avulla. Valvomattomalla koneoppimisella – vääntömomentin periaatteen inspiroima – voi olla samanlainen vaikutus”, tohtori Yang sanoo. Torque Clustering voisi tukea yleisen tekoälyn kehitystä erityisesti robotiikassa ja autonomisissa järjestelmissä auttamalla optimoimaan liikettä, ohjausta ja päätöksentekoa. Sen on määrä määritellä uudelleen ohjaamattoman oppimisen maisema ja tasoittaa tietä aidosti autonomiselle tekoälylle. Avoimen lähdekoodin koodi on tuotu tutkijoiden käyttöön. Aiheesta aiemmin: Nobelin fysiikan palkinto 2024 koneoppimisesta |
Nanotekniikka on tulevaisuuden lupaus. Näillä sivuilla seurataan elektroniikkaa sekä tieto- ja sähkötekniikkaa sivuavia nanoteknisiä tiedeuutisia.
Tutkijat ovat kehittäneet uuden tekoälyalgoritmin nimeltä Torque Clustering, joka on paljon lähempänä luonnollista älykkyyttä kuin nykyiset menetelmät. Se parantaa merkittävästi sitä, miten tekoälyjärjestelmät oppivat ja paljastavat datan kuvioita itsenäisesti, ilman ihmisen ohjausta.