МОСКВА, 24 июля. /ТАСС/. Математики из России разработали новую архитектуру нейронных сетей, которая позволяет системам ИИ "видеть" симметрию при обработке данных и сохранять ее с минимальными затратами вычислительных ресурсов, что в перспективе позволит ускорить и упростить анализ данных в физике, биологии и инженерии. Об этом сообщила пресс-служба НИУ ВШЭ.
"Эти результаты могут стать шагом к созданию новых нейросетевых инструментов для науки и техники. Мы уверены, что подход, основанный на геометрических алгебрах, найдет применение в самых разных областях, включая биоинформатику, робототехнику и геоинформатику", - пояснил заведующий лабораторией геометрической алгебры и приложений факультета экономических наук НИУ ВШЭ Дмитрий Широков, чьи слова приводит пресс-служба вуза.
Как отмечают математики, многие объекты реального мира и математические конструкции сохраняют свои свойства при повороте или зеркальном отражении. Некоторые типы современных систем ИИ, которые исследователи называют эквивариантными нейросетями, способны учитывать такие симметрии при обработке данных, однако они обладают высоким уровнем сложности и требуют трудоемкой и долгой процедуры обучения.
Российские ученые разработали новую архитектуру нейронных сетей, GLGENN, которая решает эту проблему при помощи концепций, позаимствованных из классической геометрической алгебры Клиффорда, а также благодаря разработанному исследователями подходу, который позволяет нейросети учитывать внутренние алгебраические структуры данных в процессе обучения.
По словам разработчиков, модель прошла испытания на разнообразных задачах - от симуляции физических процессов до работы с геометрическими данными - и показала результаты, сравнимые или лучшие, чем у существующих методов. При этом GLGENN работает быстрее и эффективнее за счет меньшего числа обучаемых параметров, что делает ее более доступной для практического применения.
"Мы хотели построить модель, которая будет умной, но при этом легкой
Комментарии