Исследователи из Массачусетского технологического института разработали новый подход, который переосмысливает использование классического метода, известного как байесовская оптимизация, для решения задач с сотнями переменных. В 60 тестах, связанных, например, с проектированием электросетей и краш-тестами автомобилей, метод неизменно находил наилучшее решение в 10–100 раз быстрее, чем широко используемые аналоги.
Методика основана на базовой модели, обученной на огромном количестве табличных данных, которая автоматически определяет наиболее важные переменные для повышения производительности, повторяя процесс для получения все более эффективных решений. Базовые модели – это огромные системы искусственного интеллекта, обученные на обширных, универсальных наборах данных. Это позволяет им адаптироваться к различным приложениям.
«Мы разработали алгоритм, который не только способен решать многомерные задачи, но и является многоразовым, поэтому его можно применять ко многим задачам без необходимости начинать все с нуля. Табличная базовая модель – это как ChatGPT для электронных таблиц. Входными и выходными данными этих моделей являются табличные данные, которые в инженерной сфере встречаются и используются гораздо чаще, чем язык программирования», – говорит Розен Ю, аспирант MIT в области вычислительной науки и инженерии и ведущий автор статьи об этой методике.
По его словам, например, у автомобиля может быть 300 критериев проектирования, но не все из них являются определяющими факторами для создания оптимального дизайна, если вы стремитесь повысить определенные параметры безопасности. Новая же модель ИИ сможет выбрать наиболее важные характеристики, на которых следует сосредоточиться.
