Дослідники Массачусетського технологічного інституту (MIT) представили алгоритм, який дозволяє штучному інтелекту ефективно навчатися на симетричних даних. Це рішення усуває одну з ключових проблем машинного навчання — неправильне трактування симетрії, коли, наприклад, обернена молекула сприймається як новий об’єкт, а не як та сама структура.
Новий метод поєднує математичні концепції алгебри та геометрії, що дозволяє моделі не лише розпізнавати симетрію, а й враховувати її під час навчання. За словами аспіранта MIT Бехруза Тахмасебі, алгоритм є доказово ефективним як з точки зору обчислювальних ресурсів, так і обсягу необхідних даних. Це означає, що моделі можуть досягати високої точності, використовуючи менше навчальних вибірок.
На відміну від графових нейронних мереж, які вже частково працюють із симетрією, новий підхід дозволяє краще зрозуміти механізми, що лежать в основі обробки таких даних. Розробка може бути застосована в різних галузях — від матеріалознавства до астрономії та кліматології.
Результати дослідження були представлені на Міжнародній конференції з машинного навчання. Автори вважають, що їхня робота сприятиме створенню точніших і менш ресурсоємних моделей ШІ для наукових і прикладних задач.