Исследователи разработали алгоритм, который автоматически сравнивает десятки вариантов нейросетей и отбирает среди них наиболее надежные и устойчивые

МОСКВА, 4 декабря. /ТАСС/. Исследователи из Центра ИИ НИУ ВШЭ разработали подход, который позволяет в восемь раз ускорить создание новых нейросетей, приспособленных к обработке и анализу данных, поступающих из различных компонентов и систем ускорителей частиц. Описание алгоритма и примеры его возможного применения были представлены в статье в научном журнале IEEE Access.

"Для быстрого создания систем машинного обучения и искусственного интеллекта необходимо тренировать большое число моделей, причем это лучше всего делать без участия человека и при этом обеспечивать высокую надежность их работы. Для решения этой задачи мы предложили новый подход, который работает с любой формой машинного обучения и при этом позволяет сократить время поиска оптимальной модели в восемь раз", - говорится в исследовании.

Данный подход был создан группой исследователей под руководством ведущего научного сотрудника Института ИИ и цифровых наук НИУ ВШЭ (Москва) Федора Ратникова для ускорения разработки нейросетей и классических систем машинного обучения, предназначенных для работы с задачами из области физики частиц и обработки данных, поступающих из различных компонентов коллайдеров.

Подобные алгоритмы сейчас активно применяются в том числе и в опытах на Большом адронном коллайдере, где они помогают значительным образом ускорять обработку первичных данных. Для их практического применения ученым необходимо обеспечить сверхвысокую надежность и стабильность прогнозов и расчетов, получаемых подобными системами ИИ при разных запусках и после повторного обучения.

Российские ученые создали подход, который позволяет находить подобные вариации нейросетей не путем слепого перебора, а значительно быстрее. Для этого исследователи разработали алгоритм, который автоматически сравнивает десятки вариантов нейросетей и отбирает среди них наиболее надежные и устойчивые. Каждая подобная модель несколько раз обучается на слегка измененных данных и с разными начальными весами, после чего система отслеживает, насколько большим будет разброс ошибок при проведении расчетов или анализе данных с детекторов коллайдера.

Для проверки работы этого алгоритма Ратников и его коллеги подготовили набор данных, описывающих одного из датчиков ускорителя частиц, который определяет энергию и направление движения проходящих через его ячейки частиц. Проведенные учеными расчеты показали, что их алгоритм способен подобрать оптимальный вариант ИИ за 41,5 тыс. попыток, что в восемь раз меньше, чем при использовании полного перебора. В перспективе, это значительно ускорит разработку нейросетей для решения задач в физике частиц, подытожили ученые. 

Россия