麻省理工学院解决了导致“液态人工智能”计算瓶颈的百年微分方程

麻省理工学院创建了一种 AI/ML 算法，可以适应工作中的新信息，而不仅仅是在初始培训期间。 这些“液体”（在李小龙的意义上）神经网络实际上是在玩 4D 国际象棋。 他们的模型需要时间序列信息才能运行，这使得它们非常适合时间敏感的任务，例如起搏器监测或投资预测。 问题是数据吞吐量，这已经成为瓶颈。 扩展这些系统的计算成本也变得高得令人望而却步。

麻省理工学院的研究人员周二宣布，他们已经找到了克服这一限制的方法。 他们没有通过扩展数据管道来做到这一点，而是通过解决自 1907 年以来一直困扰数学家的微分问题。该团队能够解决“控制两个神经元通过突触相互作用的微分方程…… 解锁更快、更高效的人工智能算法。\”

在周二的新闻稿中，麻省理工学院教授兼 CSAIL 主任 Daniela Rus 表示，“称为‘CfCs’[闭合形式连续时间]的新机器学习模型用闭合形式近似代替定义神经元计算的微分方程。 这保留了液体网络的美丽特性，而无需数值积分。\” \”CfC\” 模型是因果关系、紧凑且可解释的。 它们也很容易预测和训练。 \“他们为安全关键应用打开了可信机器学习的大门。\”

来源和详细信息：
https://www.engadget.com/mit-century-old-differential-equation-liquid-ai-computational-bottleneck-160035555.html?s&guccounter=1&guce_referrer=aHR0cHM6Ly9sLmZhY2Vib29rLmNvbS8&guce_referrer_sig=AQAAAKVZh0WPje9YYQMvANGScEMjHNUTH1sHWYZiYQ-I4NY4GqolBS-gmbwiGj0diHSgefcNKPzt6y9d7-D7JHXES_o8EbGsi5wYKBuivq4HPh3OQuXONWR18BCwlEnzJedhE_oUuZPVM9JLKkNbWiYaNQSeue8zhZhFxwoRPrCEzhrp