物理學家的理論粒子應對黑色機器學習盒

關於獨立駕駛汽車以認識到人的情況，現代生活更多地取決於機器學習，例如人工智能（AI），該生活在沒有明確編程的數據集中研究。

儘管社會存在普遍存在，但我們才開始了解刺激技術的機制。 Zhancang（Kevin）Zhang的最新研究中，UTA大學物理與天文學系副教授展示了物理學家如何在揭示其謎語中發揮重要作用。

張說：“人們說機器學習是一個黑匣子 – 您輸入了很多數據，在某個時候，它解釋，說並做出了人們的決定。這就像魔術一樣，因為我們真的不知道它是如何工作的。” “現在，當我們在社會的許多關鍵領域使用AI時，我們必須了解機器學習模型的實際作用 – 出於某種原因，某些原因有效或出於某種原因行不通。”

作為顆粒的理論物理學家，張解釋了他周圍的世界，了解無限世界中最小，最基本的物質組成部分如何。在過去的幾年中，他使用該地區的工具更好地了解了機器學習的大規模複雜模型。

降低成本時擴展

一種傳統的方法，用於編程具有執行任務的詳細說明的計算機。假設您想要可以檢測CT上不規則性的軟件。程序員將不得不為無數的潛在場景編寫步驟 – 步驟協議。

相反，機器學習模型是訓練的。人類程序員提供相關的數據 – 文本，數字，照片，交易，醫療圖像 – 並允許模型查找模式或自行進行預測。

在整個過程中，一個人可以配置參數以獲得更準確的結果，而不知道該模型如何使用數據輸入輸出輸出。

機器訓練是能源且昂貴的。為了最大程度地利用利潤，工業模型將較小的數據集轉到規模上，到具有大量數據的真實情況。

張說：“我們希望能夠預測模型會在一定程度上做得更好。如果將型號的大小加倍或兩倍的設定尺寸，該型號會好得多嗎？四倍更好？”張說。

一組物理工具

機器學習模型看起來很簡單：輸入數據 – >黑色計算框 – >結論，這是輸入函數。

黑匣子包含一個神經網絡，該網絡是與Internet相關的一組簡單操作，以進行近似複雜功能。為了優化網絡的性能，程序員認真依靠反複試驗，網絡的罰款和重新培訓並增加了成本。

張說：“受過物理學家的培訓，我想更好地理解實際正在發生的事情，以免依靠反複試驗和錯誤。” “機器學習模型的屬性是什麼，使她有機會學習如何做我們想做的事？”

在新的 紙 發表在期刊上 機器培訓：科學技術張決定了規模模型的擬議定律，這些定律描述了該系統將如何在越來越大的尺度上工作。這並不容易 – 計算需要準備無限數量的項。

張應用了一種物理學家用來跟踪數十萬個稱為feynman圖表的方法。理查德·費曼（Richard Feynman）在1940年代發明了設備，以應對量子球中基本顆粒的絕望復雜計算。 Feynman沒有記錄代數方程，而是繪製了簡單的圖表 – 圖表中的每行和頂部都是有價值的。

張說：“我們的大腦更容易理解，並且跟踪哪個術語屬於您的計算也更容易。”

張使用Feynman的圖來解決自2022年以來發表的研究中提出的模型。 紙物理學家以一定限制研究了他們的模型。張能夠在此範圍之外解決模型，從而獲得調節其行為的新的，更準確的縮放定律。

由於社會導致了這樣一個事實，即許多研究人員正在努力確保安全使用工具。張認為，物理學家可以加入工程師，計算機科學家和其他從事負責使用AI的人。

張說：“我們，人們，創建已經控制我們的機器 – 推薦視頻的Yououtube算法，將每個人吸引到自己的小角落並影響我們的行為。” “這是人類變化如何與人的殖民化和奴役的危險。這是我們，人們正在建造我們正在盡力理解的汽車，而這些機器已經對這些機器深深地影響了這些機器。”