Según un estudio dirigido por ingenieros de la Universidad de California en San Diego, un marco basado en las últimas técnicas de inteligencia artificial puede resolver problemas complejos y computacionalmente intensivos de manera más rápida y escalable con métodos sofisticados.
En el periódico, que fue publicado el 30 de mayo. Inteligencia de la máquina de la naturaleza, los investigadores presentan HypOp, un marco que utiliza aprendizaje no supervisado y redes neuronales hipergráficas. Este marco es capaz de resolver problemas de optimización conjunta más rápido que los métodos existentes. HypOp también puede resolver algunos problemas comunes que no se pueden resolver con tanta eficacia con los métodos anteriores.
“En este artículo, abordamos la difícil tarea de resolver problemas de optimización conjunta que son críticos en muchos campos de la ciencia y la ingeniería”, dijo la autora correspondiente del artículo y becaria postdoctoral del Departamento de Ingeniería Eléctrica e Informática de UC San Diego, Naseema Haidarbini. . Forma parte del grupo de investigación del Prof. Farinaz Kuchenfer, quien codirige el Centro de Inteligencia Artificial, Computación y Seguridad de la Escuela de Ingeniería Jacobs de UC San Diego. La profesora Tina Ilyasi-Rod de la Universidad Northeastern también colaboró con el equipo de UC San Diego en el proyecto.
Un ejemplo de un problema común relativamente simple es determinar cuánto y qué tipos de mercancías almacenar en determinados almacenes para que se utilice la menor cantidad de gas durante la entrega de esas mercancías.
HypOp se puede aplicar a una amplia gama de problemas desafiantes del mundo real, con aplicaciones en el descubrimiento de fármacos, diseño de chips, verificación lógica, logística y más. Todos estos son problemas comunes con una amplia gama de variables y restricciones que los hacen extremadamente difíciles de resolver. Esto se debe a que en estos problemas, el tamaño del espacio de búsqueda subyacente para encontrar posibles soluciones crece exponencialmente en lugar de linealmente con el tamaño del problema.
HypOp puede resolver estos problemas complejos de una manera más escalable utilizando un nuevo algoritmo distribuido que permite resolver múltiples unidades de cálculo en el hipergráfico simultáneamente, en paralelo y de manera más eficiente.
HypOp presenta un enfoque novedoso de resolución de problemas que aprovecha las redes neuronales hipergráficas, que tienen conexiones de orden superior que las redes neuronales gráficas tradicionales, para modelar mejor las limitaciones del problema y resolverlas de manera más eficiente. HypOp puede transferir el aprendizaje de un problema para ayudar a resolver otros problemas aparentemente diferentes de manera más efectiva. HypOp incluye un paso de ajuste adicional, que conduce a encontrar soluciones más precisas que los métodos existentes.
Esta investigación fue financiada en parte por el Proyecto MURI AutoCombat, financiado por el Departamento de Defensa y la Oficina de Investigación del Ejército, y el Instituto TILOS AI, financiado por la NSF.
