共计 524 个字符，预计需要花费 2 分钟才能阅读完成。
MIT 的研究人员近日宣布，他们成功开发了首个可证明高效的人工智能算法，该算法能够训练 AI 理解数据中的对称性。这一突破有望为科学发现带来更强大且准确的模型。
机器学习中的一个基础问题在于，AI 往往难以处理对称性数据。例如，AI 可能会将旋转后的分子视为一个全新的对象，而不是识别为相同的结构。MIT 的研究团队通过结合代数和几何的数学概念，设计了一种新算法，创建了一个能够高效学习并尊重对称性的系统。
“这些对称性之所以重要，是因为它们是自然界告诉我们关于数据的一种信息，我们应该在机器学习模型中加以考虑。我们现在已经证明，以高效的方式处理对称数据进行机器学习是可行的。”— Behrooz Tahmasebi，MIT 研究生及共同第一作者。
尽管当前一些模型如图神经网络（Graph Neural Networks）能够处理对称性，但研究人员尚未完全理解它们为何表现如此出色。MIT 团队的新方法在计算和数据需求上均被证明是高效的，从而提高了模型的准确性和适应性。
研究人员表示，他们的工作可能推动开发更强大且资源消耗更少的人工智能模型，应用于广泛的领域，“从发现新材料，到识别天文异常，以及解开复杂的气候模式。”该研究最近在国际机器学习会议上发表。
资料来源
MIT News
正文完
