Колин Дж. Джонсон, адъюнкт-профессор Ноттингемского университета, недавно разработал метод глубокого обучения, который позволяет изучать так называемую «функцию приспособленности» из набора примеров решений проблемы. Этот метод, представленный в статье, опубликованной в журнале Wiley's Expert Systems, изначально был обучен решать кубик Рубика, популярную трехмерную комбинированную головоломку, изобретенную венгерским скульптором Эрно Рубиком.
«Целью нашей статьи было использовать машинное обучение, чтобы научиться решать кубик Рубика», - сказал TechXplore Колин Дж. Джонсон, один из исследователей, проводивших исследование. «Кубик Рубика - очень сложная головоломка, но любая из огромного количества комбинаций находится не более чем в 20 шагах от решения. Поэтому подход, который мы здесь используем, состоит в том, чтобы попытаться решить проблему, научившись выполнять каждый из этих шагов индивидуально».
Методика, разработанная Джонсоном, основана на двух основных подходах: пошаговом обучении и использовании глубокой нейронной сети. Применительно к кубику Рубика эта техника пытается расшифровать его шаг за шагом, вместо того, чтобы научиться решать весь куб сразу. Другими словами, он пытается сдвинуть свои части, чтобы получить более простую конфигурацию, повторяя этот шаг несколько раз, пока куб не будет собран.
«Вместо того, чтобы программа пыталась научиться решать весь куб, она изучает, как преобразовать его в более простую конфигурацию, затем берет эту более простую конфигурацию и так далее, пока она не будет решена», - объяснил Джонсон. «Эта структура означает, что каждый шаг решения намного проще. Итак, я сначала разработал метод, который может оценить, насколько перемешан куб, моделируя перемешивание куба много тысяч раз».
На диаграмме показано, как метод глубокого обучения, разработанный исследователями, решает кубик Рубика. Он начинается с множества копий зашифрованного куба, затем находит несколько упрощенных версий этих, затем несколько упрощенных версий и так далее, пока не найдет решение. Затем он возвращается к ним, чтобы найти путь решения. Предоставлено: Колин Дж. Джонсон.
После того, как он оценивает, насколько перемешан кубик Рубика, метод, созданный Джонсоном, использует глубокую нейронную сеть для распознавания куба, который находится в одном шаге от решения, затем в двух шагах от решения, трех и так далее. Наконец, он использует накопленные данные для построения куба.
Джонсон оценил метод, который он разработал, в серии экспериментов, сравнив его с ранее разработанным подходом, основанным на классе алгоритмов, называемых классификаторами случайных лесов, с базовым подходом, основанным на традиционной пригодности на основе ошибок, и с другими существующими вычислительными методами. Его техника глубокого обучения выгодно отличалась от всех этих альтернативных методов, а также подчеркивала преимущества пошагового решения задач.
До сих пор Джонсон использовал этот метод пошагового обучения только для решения кубика Рубика, но он также может применяться к множеству более сложных задач, которые можно решать поэтапно. Другими словами, кубик Рубика - всего лишь простой пример типа проблем, с которыми может справиться эта техника.
«Подумайте о такой проблеме, как удаление шума из старой аудиозаписи, такой как восковой цилиндр или ранняя пластинка фонографа», - сказал Джонсон. «Нам нужно удалить различные виды искажений - эхо, статику, переменную скорость - но для каждой записи нужна своя стратегия. Если мы сможем понять, что такое« чистая запись », слегка искаженная запись,« немного более искаженная запись » ', то мы сможем, я надеюсь, решить эту проблему поэтапно ».
В будущем метод пошагового глубокого обучения, представленный в недавней статье Джонсона, можно будет использовать для решения множества других проблем, коренящихся в науке и технике. Например, его можно использовать для изучения и лучшего понимания того, как белки складываются внутри биологических клеток.