Учёные из РФ научили ИИ лучше распознавать симметрию
Российские исследователи из Национального исследовательского университета «Высшая школа экономики» создали новую архитектуру нейронных сетей, способную распознавать и учитывать симметрию в данных. Эта разработка позволяет системам искусственного интеллекта обрабатывать информацию, сохраняя её симметричные свойства при минимальной нагрузке на вычислительные ресурсы. Новая технология может значительно упростить анализ информации в таких отраслях, как биология, физика и инженерия.
По мнению заведующего лабораторией геометрической алгебры и приложений факультета экономических наук НИУ ВШЭ Дмитрия Широкова, полученные результаты открывают путь к созданию нового поколения нейросетевых решений, которые найдут применение в различных научных и технических сферах, включая робототехнику, геоинформатику и биоинформатику. Разработанная модель, получившая название GLGENN, использует концепции геометрической алгебры Клиффорда и специально адаптированный алгоритмический подход, который позволяет учитывать внутренние алгебраические свойства данных в процессе обучения.
Исследователи обращают внимание на то, что в природе и математике симметрия играет ключевую роль. Ранее разработанные нейросети, способные к эквивариантной обработке данных, оказывались излишне сложными и требовали длительного обучения. В отличие от них, созданная российскими математиками модель GLGENN демонстрирует сопоставимую или лучшую точность при значительно меньшем числе параметров, что делает её более эффективной и удобной для практического использования.
Модель прошла тестирование на задачах, связанных с симуляцией физических процессов и обработкой геометрических структур, и показала высокую производительность даже при ограниченных объёмах данных. Как отметила Екатерина Филимошина, исследователь из лаборатории геометрической алгебры НИУ ВШЭ, главной целью стало создание интеллектуальной, но компактной архитектуры, и полученные результаты подтвердили, что высокая эффективность и простота могут сочетаться в одной системе.
По мнению заведующего лабораторией геометрической алгебры и приложений факультета экономических наук НИУ ВШЭ Дмитрия Широкова, полученные результаты открывают путь к созданию нового поколения нейросетевых решений, которые найдут применение в различных научных и технических сферах, включая робототехнику, геоинформатику и биоинформатику. Разработанная модель, получившая название GLGENN, использует концепции геометрической алгебры Клиффорда и специально адаптированный алгоритмический подход, который позволяет учитывать внутренние алгебраические свойства данных в процессе обучения.
Исследователи обращают внимание на то, что в природе и математике симметрия играет ключевую роль. Ранее разработанные нейросети, способные к эквивариантной обработке данных, оказывались излишне сложными и требовали длительного обучения. В отличие от них, созданная российскими математиками модель GLGENN демонстрирует сопоставимую или лучшую точность при значительно меньшем числе параметров, что делает её более эффективной и удобной для практического использования.
Модель прошла тестирование на задачах, связанных с симуляцией физических процессов и обработкой геометрических структур, и показала высокую производительность даже при ограниченных объёмах данных. Как отметила Екатерина Филимошина, исследователь из лаборатории геометрической алгебры НИУ ВШЭ, главной целью стало создание интеллектуальной, но компактной архитектуры, и полученные результаты подтвердили, что высокая эффективность и простота могут сочетаться в одной системе.
Читайте также:
Ctrl
Enter
Заметили ошЫбку
Выделите текст и нажмите Ctrl+EnterЧитайте также:
.jpg)
