Naukowcy opracowali nowy algorytm AI, zwany klastrowaniem momentu obrotowego, który jest znacznie bliższy naturalnej inteligencji niż obecne metody. Znacząco poprawia sposób, w jaki systemy AI uczą się i odkrywają wzorce danych niezależnie, bez ludzkich wskazówek.
Klastrowanie momentu obrotowego może skutecznie i autonomicznie analizować ogromne ilości danych w takich dziedzinach, jak biologia, chemia, astronomia, psychologia, finanse i medycyna, ujawniając nowe spostrzeżenia, takie jak wykrywanie wzorców chorób, odkrywanie oszustw lub zrozumienie zachowań.
„W naturze zwierzęta uczą się, obserwując, odkrywając i interakcję z ich środowiskiem, bez wyraźnych instrukcji. Kolejna fala sztucznej inteligencji,„ uczenie się bez nadzoru ”ma naśladować to podejście” – powiedział wybitny profesor CT Lin od University of Technology Sydney ( UTS).
„Prawie wszystkie obecne technologie AI opierają się na„ nadzorowanym uczeniu się ”, metodzie szkolenia AI, która wymaga oznaczania dużych ilości danych przez człowieka przy użyciu predefiniowanych kategorii lub wartości, aby sztuczna inteligencja mogła przewidzieć prognozy i widzieć relacje.
„Nadzorowane uczenie się ma szereg ograniczeń. Etykietowanie danych jest kosztowne, czasochłonne i często niepraktyczne dla zadań złożonych lub dużych.
Artykuł opisujący metodę klastrowania momentu obrotowego, autonomiczne grupowanie przez szybkie znalezienie pików masy i odległości, właśnie opublikowano w transakcjach IEEE w zakresie analizy wzorców i inteligencji maszynowej, wiodącego czasopisma w dziedzinie sztucznej inteligencji.
Algorytm grupowania momentu obrotowego przewyższa tradycyjne metody uczenia się bez nadzoru, oferując potencjalną zmianę paradygmatu. Jest w pełni autonomiczny, wolny od parametrów i może przetwarzać duże zestawy danych o wyjątkowej wydajności obliczeniowej.
Został rygorystycznie przetestowany na 1000 różnorodnych zestawów danych, osiągając średni skorygowany wynik wzajemnych informacji (AMI) – miara wyników grupowania – 97,7%. Dla porównania, inne najnowocześniejsze metody osiągają jedynie wyniki w zakresie 80%.
„To, co wyróżnia klaster momentu obrotowego, jest jego podstawa w fizycznej koncepcji momentu obrotowego, umożliwiając mu autonomiczne identyfikacje klastrów i bezproblemowo dostosowuje się do różnorodnych typów danych, o różnych kształtach, gęstościach i stopniach hałasu” – powiedział pierwszy autor dr Jie Yang.
„Został zainspirowany równowagą momentu obrotowego w interakcjach grawitacyjnych, gdy galaktyki się łączą. Opiera się na dwóch naturalnych adekwatnościach wszechświata: masę i odległość. To połączenie z fizyką dodaje do tej metody podstawowej warstwy o znaczeniu naukowym.
„Zeszłoroczna nagroda Nobla w dziedzinie fizyki została przyznana za fundamentalne odkrycia, które umożliwiają nadzorowane uczenie maszynowe dzięki sztucznych sieci neuronowych. Bez nadzoru uczenia maszynowego – zainspirowane zasadą momentu obrotowego – mogą wywrzeć podobny wpływ”, powiedział dr Yang.
Klastrowanie momentu obrotowego może wspierać rozwój ogólnej sztucznej inteligencji, szczególnie w robotykach i systemach autonomicznych, pomagając optymalizację ruchu, kontroli i podejmowania decyzji. Ma na celu przedefiniowanie krajobrazu nauki bez nadzoru, torując drogę prawdziwie autonomicznej sztucznej inteligencji. Kod otwartego source został udostępniony badaczom.
