Informatique : l'intelligence artificielle augmente l'efficacité des algorithmes
Paris | Londres | Heidelberg, 5 octobre 2022
Un article paru cette semaine dans la revue Nature fait état de la découverte automatique d'algorithmes de multiplication de matrices, basée sur une approche d'apprentissage par renforcement profond (Deep Reinforcement Learning) développée par DeepMind. Cette approche permet non seulement de retrouver rapidement les algorithmes les plus performants connus à ce jour, mais aussi de découvrir de nouveaux algorithmes encore plus rapides que ceux développés jusqu'à présent par les humains et les ordinateurs. Ces résultats mettent en évidence le potentiel de l'apprentissage par renforcement profond pour la découverte de nouvelles approches permettant de résoudre plus efficacement les tâches informatiques.
L'amélioration de l'efficacité des algorithmes qui exécutent des opérations de calcul fondamentales peut avoir un impact sur la vitesse globale d'un grand nombre de calculs. Alhussein Fawzi et ses collègues présentent une approche d'apprentissage par renforcement profond pour la découverte automatique d'algorithmes la multiplication matricielle, tâche primitive importante couramment utilisée dans un grand nombre de calculs. Il est demandé au système, nommé AlphaTensor, de jouer à un jeu dont le but est de trouver la meilleure façon de multiplier deux matrices (séries de nombres). Ce jeu est beaucoup plus difficile que d'autres jeux traditionnels (tels que les échecs ou le go), exigeant, dans certains cas, environ un billion d'actions supplémentaires. AlphaTensor repère les algorithmes déjà connus (prouvant ainsi que le système fonctionne) et détecte des algorithmes nouveaux. Dans certains cas, les découvertes permettent d'améliorer des algorithmes qui, malgré des recherches intensives, n'ont pas été améliorés depuis plus de 50 ans. En outre, AlphaTensor pourrait être optimisé pour découvrir des algorithmes qui sont particulièrement efficaces dans certaines circonstances, pour fonctionner sur des types spécifiques d'ordinateurs.
Les auteurs signalent que leur système présente certaines limites, notamment le fait qu'il nécessite des composants prédéfinis, ce qui peut l'amener à manquer un sous-ensemble d'algorithmes efficaces. Cependant, les découvertes d'AlphaTensor pourraient permettre d'améliorer les opérations de calcul qui recourent à des algorithmes de multiplication et de démontrer comment l'apprentissage par renforcement peut être utilisé pour trouver des solutions nouvelles et inattendues à des problèmes connus.
Discovering faster matrix multiplication algorithms with reinforcement learning
DOI:
10.1038/s41586-022-05172-4
Online paper:
https://www.nature.com/articles/s41586-022-05172-4
Nature réunit un portefeuille de produits et de services de grande qualité dans les domaines des sciences de la vie, de la physique, de la chimie et des sciences appliquées - notamment à travers des revues, des bases de données et des services aux scientifiques - destinés à servir la communauté scientifique.
Nature (fondée en 1869) est la principale revue scientifique hebdomadaire à l'échelle internationale. Le portefeuille Nature comprend également les revues Nature Research, la principale revue multidisciplinaire en libre accès, Nature Communications, ou d'autres revues en libre accès, dont Scientific Reports. Ensembles, ces revues publient certaines des découvertes scientifiques les plus importantes au monde.
Le site nature.com accueille plus de neuf millions de visiteurs par mois et leur offre le contenu de Nature Portfolio, y compris les actualités scientifiques et les commentaires de Nature, ainsi que le principal site d'offres d'emplois scientifiques, Nature Careers. Nature Portfolio propose également toute une gamme de services aux chercheurs, notamment des formations en ligne et en présentiel, ainsi que des services d'experts linguistiques et d'édition. Pour plus d'informations, veuillez visiter nature.com et suivre @nresearchnews. Nature Portfolio fait partie de Springer Nature.
Découvrez les formations pour les scientifiques proposées par Nature Research et nos différents services d'édition et de documentation.
Stefanie Schulmeyer | Springer Nature | Communications
