IA lærer å løse en magisk kube på egen hånd på bare 44 timer

Å trene en maskin for å vinne spill som krever mye menneskelig resonnement alene, for eksempel sjakk eller Go, er allerede en realitet for feltet kunstig intelligens (AI), med den såkalte forsterkningen av læring. Nå har forskere ved University of California i Irvine gått et skritt videre: De opprettet DeepCube, et system som krevde minimalt med tilsyn for å kunne treffe en tradisjonell magisk kube av seg selv på bare 44 timer.

Også kalt Rubik's Cube, ble den opprettet av ungarske Erno Rubik i 1974 og tilbyr et tredimensjonalt puslespill med over 43 kvintilljoner kombinasjoner og kan løses med minimum 26 trekk. Leken er hittil veldig vellykket og har solgt over 350 millioner enheter siden starten - til og med fått noen variasjoner for å øke utfordringen.

For å overvinne kuben, trengte forskerne å gå litt lenger enn det som ble observert i sjakk- og Go-eksperimentene. Det er fordi suksess i sin tur handling med mellomrom ikke er basert på belønning på samme måte, og datamaskinen må derfor orienteres på en annen måte. måte å vite om du er på vei riktig etter en løsning.

Hvordan fungerer dette systemet?

Stephen McAleer og hans kolleger ved University of California i Irvine har laget en ny dyp læringsteknikk kalt “selvlært iterasjon” som kan lære AI hvordan man lager et eget belønningssystem for å se om hvert trekk som gjøres kan føre til suksess.

For å gjøre dette, må hun komme seg ut av en allerede løst magisk kube og gjøre skrittet bakover. Denne måten å forstå utfordringen er ikke den mest passende, men det er her det nevrale nettverket og dets komplekse beregninger kommer inn, som var i stand til å fylle ut hull i løpet av denne prosessen. Når den er trent på denne måten, monterer maskinen deretter et søketræ med forskjellige forslag for hver innstilling.

"Algoritmen vår er i stand til å løse 100% av tilfeldig blandede kuber mens vi oppnår en gjennomsnittlig oppløsning i 30 trekk - noe som er mindre enn eller lik ytelsen til menneskelige eksperter, " feiret McAleer. To millioner forskjellige iterasjoner i åtte milliarder kuber ble brukt i 44 timers trening på en 32-kjerne Intel Xeon E5-2620-server og tre Nvidia Titan XP GPUer.

Nyhetene bringer mer lys til emnet fordi dyp læring fortsatt har kjempet hardt for å hjelpe AI med å fullføre spill som Sokoban, Montezumas hevn og faktumfaktorering på egen hånd.

Og hvor kan dette brukes?

Det endelige målet er åpenbart ikke bare å lage et system som kan overvinne den magiske kuben. Dette kan brukes slik at en maskin kan løse uventede sekvenser i et univers av kombinasjoner med en kjent løsning. DeepCube kan "algebraisk manipulere tidligere ervervet kunnskap for å svare på et nytt spørsmål, " ifølge forskerne.

Ved å oppnå disse målene, kan nyheten brukes til å oppdage nye medisiner, utføre DNA-analyse og hjelpe roboter med å bestemme selv noen typiske situasjoner i vår menneskelige hverdag. La oss vente til de neste trinnene, da det allerede er mål å overvinne vanskeligere 16-sidige kuber.

***

Kjenner du til Mega Curioso-nyhetsbrevet? Ukentlig produserer vi eksklusivt innhold for elskere av de største nysgjerrighetene og bisarrene i denne store verden! Registrer din e-post og ikke gå glipp av denne måten for å holde kontakten!

IA lærer på egen hånd hvordan man løser en magisk kube på bare 44 timer via TecMundo