科技日報記者 張夢然

美國麻省理工學院團隊創(chuàng)建了一個獨特的機器學習“元素周期表”，它展示了超過20種經(jīng)典機器學習算法之間的聯(lián)系。這一框架揭示了科學家如何融合不同方法中的策略，將改進現(xiàn)有的AI模型或提出全新的模型，并進一步促進人工智能（AI）技術(shù)的發(fā)展和應(yīng)用。

化學中的元素周期表是根據(jù)元素原子核電荷數(shù)從小至大排序構(gòu)建的列表。元素周期表能準確地預測各元素的特性及其之間的關(guān)系，因此它在化學及其他科學范疇中得到了廣泛使用，是分析化學行為時非常有用的框架。

此次創(chuàng)建的AI框架則基于一個核心思想：所有這些算法都在學習數(shù)據(jù)點間的特定關(guān)系，盡管每種算法實現(xiàn)這一點的方式可能略有不同，但背后的核心數(shù)學原理是相通的?；诖?，研究人員找到了一個統(tǒng)一的方程式，它是許多經(jīng)典AI算法的基礎(chǔ)。利用這個方程式，他們重新構(gòu)建并排列了一些流行的方法，根據(jù)它們學習到的數(shù)據(jù)點間的關(guān)系類型對每種方法進行分類。

例如，通過將兩種不同算法的關(guān)鍵元素組合起來，團隊開發(fā)出了一種新的圖像分類算法，其性能比現(xiàn)有最先進的技術(shù)高出8%。這表明，這種機器學習“元素周期表”不僅有助于理解現(xiàn)有算法之間的聯(lián)系，還為創(chuàng)造更高效的算法提供了實際指導。

就像化學元素周期表最初留有空白等待未來科學家填充一樣，這個機器學習的“元素周期表”中也存在一些空白區(qū)域，暗示著理論上應(yīng)該存在但尚未被發(fā)現(xiàn)的算法。這些空白預測了潛在的新算法位置，為人們提供了一個工具包，不用再重復探索以前方法中已涵蓋的概念，讓設(shè)計新算法變得更加高效。

總編輯圈點

科學家在機器學習的世界里創(chuàng)造出了一張神奇的“元素周期表”。這張表不僅僅是對經(jīng)典機器學習算法的簡單羅列，它更像是一個揭示這些算法之間隱藏關(guān)系的地圖。地圖上每一種算法都像是一顆獨特的星星，雖然各自閃耀不同的光芒，但都遵循著相同的宇宙法則，即學習數(shù)據(jù)點間的關(guān)系。這一成果為科學家提供了一個不再需要重復走老路的工具包，也是向未來發(fā)出的一封邀請函：它鼓勵著全世界的AI開發(fā)者去揭開更多未知的秘密。