近日,美國麻省理工學院(MIT)計算機科學與人工智能實驗室(CSAIL)的跨學科研究團隊取得突破性進展,他們構建了一個類似
化學元素周期表的機器學習算法分類體系,首次系統(tǒng)揭示了超過20種經(jīng)典機器學習算法之間的深層次關聯(lián),將進一步促進人工智能(AI)技術的發(fā)展和應用。
化學中的元素周期表是根據(jù)元素原子核電荷數(shù)從小至大排序構建的列表。元素周期表可以準確地預測各元素的特性及其之間的關系,因此它在化學及其他科學范疇中得到了廣泛使用,是分析化學行為時非常有用的框架。
而這項突破性研究通過三維坐標軸對算法進行分類:橫軸標注算法的學習范式(監(jiān)督/無監(jiān)督/強化學習),縱軸表示模型的復雜度層級,而深度軸則揭示了算法間的演化關系。
研究團隊發(fā)現(xiàn),處于同一"主族"的算法(如支持向量機與核方法)具有相似的數(shù)學內核,而位于相同"周期"的算法(如決策樹與隨機森林)則共享相近的泛化能力圖譜。
研究團隊通過張量流形分析發(fā)現(xiàn),傳統(tǒng)認為互相對立的算法(如神經(jīng)網(wǎng)絡與決策樹)在特征空間變換層面存在拓撲同構性。這種突破性認知使得研究人員可以像化學家組合元素那樣,通過算法"雜交"創(chuàng)造新型混合模型。
項目負責人Max Welling教授指出:"就像門捷列夫周期表預測未知元素那樣,我們的拓撲圖譜中預留了算法'空位',這為新型AI模型的研發(fā)指明了方向。"團隊已基于該框架設計出自動化算法組合平臺,初步實驗顯示能生成傳統(tǒng)方法難以設想的創(chuàng)新架構。
目前已有10多家科技公司利用該框架優(yōu)化其AI產(chǎn)品線,其中某自動駕駛企業(yè)通過整合周期表中相距較遠的強化學習和貝葉斯優(yōu)化算法,將路徑規(guī)劃效率提高了40%。隨著體系的不斷完善,人工智能(AI)技術有望迎來新的發(fā)展黃金期,加速在自動駕駛等關鍵領域的應用突破。
伴隨著更多新型算法被納入這個動態(tài)體系,被學界認為將深度重構AI技術研發(fā)范式,人工智能領域有望迎來類似"化學合成"的創(chuàng)新爆發(fā)期,為實現(xiàn)通用人工智能奠定理論基礎。
昵稱 驗證碼 請輸入正確驗證碼
所有評論僅代表網(wǎng)友意見,與本站立場無關