هوش مصنوعی خودآموز در ۴۴ ساعت مهارت حل مکعب روبیک پیدا می‌کند

دیپ‌کیوب سیستم جدید هوش مصنوعی است که توانسته در ۴۴ ساعت و بدون نیاز به دخالت انسان، در این پازل سه‌بعدی به مهارت برسد.

هوش مصنوعی خودآموز در ۴۴ ساعت مهارت حل مکعب روبیک پیدا می‌کند

دیپ‌کیوب (DeepCube) یک سیستم هوش مصنوعی (AI) است که مهارت آن در حل مکعب روبیک با مهارت بهترین حل‌کننده‌های انسانی برابری می‌کند. این سیستم تنها در ۴۴ ساعت و بدون نیاز به مداخله‌ی انسان، توانسته است در این پازل سه‌بعدی کلاسیک مهارت پیدا کند.

به گفته‌ی یکی از مؤلفین این مقاله، یک عامل هوشمند به‌طور کلی باید بتواند مسائل دامنه‌های پیچیده را با حداقل نظارت انسانی حل کند. در واقع برای دستیابی به هوش ماشینی شبه‌انسان باید سیستم‌هایی توسعه داد که قادر به یادگیری باشند و سپس آموخته‌های خود را در کاربردهای زمان واقعی پیاده‌سازی کنند.

پژوهشگرها با رهبری استفن مک الیر، فارست اگوستینلر و الکساندر شماکف، با استفاده از ۲ میلیون تکرار مختلف در ۸ میلیارد مکعب (شامل بعضی تکرارها) به آموزش دیپ‌کیوب پرداختند و این سیستم هوش مصنوعی روی یک ماشین با سرور ۳۲ هسته‌ای Intel Xeon E5-2620با سه GPU NVIDIA Titan XP به مدت ۴۴ ساعت آموزش دید.

این سیستم در طول فرآیند آموزشی موفق شد بخشی زیادی از اطلاعات مکعب روبیک را به دست آورد؛ این اطلاعات شامل یک استراتژی است که حل‌کننده‌های سرعتی معمولا از آن استفاده می‌کنند، در این تکنیک گوشه‌ها و لبه‌های مکعب قبل از قرارگیری در موقعیت صحیح خود با یکدیگر منطبق می‌شوند. به گفته‌ی مؤلفان:

الگوریتم ما قادر به حل ۱۰۰ درصد از مکعب‌های درهم‌ریخته‌ی تصادفی است و در عین حال به یک طول میانه‌ی ۳۰ حرکتی دست پیدا می‌کند (کمتر یا مساوی با حل‌کننده‌هایی که از دانش دامنه‌ای انسانی استفاده می‌کنند). این سیستم هنوز نیاز به بهبود و پیشرفت دارد؛ زیرا دیپ‌کیوب در یک زیرمجموعه‌ی کوچک از مکعب‌ها دچار مشکل می‌شود و راه‌ حل‌هایی تولید می‌شود که حل آن‌ها نیازمند زمانی طولانی است.
پژوهشگرها با نگاهی به جلو به دنبال تست یک روش جدید استنتاجی خودکار در مکعب‌های دشوارتر با ۱۶ وجه هستند. از نظر کاربردی از این پژوهش می‌توان برای حل مسائل زمان واقعی مثل پیش‌بینی شکل سه‌بعدی پروتئین‌ها استفاده کرد. تاخوردگی پروتئینی هم مثل مکعب روبیک یک مسئله‌ی بهینه‌سازی ترکیبی به شمار می‌رود؛ اما به‌جای محاسبه‌ی حرکت بعدی، سیستم توالی مناسب آمینواسیدها را در یک شبکه‌ی سه‌بعدی پیش‌بینی می‌کند. حل پازل‌ یک عمل مفید و بهینه است، اما هدف نهایی از ساخت چنین سیستمی، حل مسائل دشوار جهان واقعی مثل کشف‌های دارویی، تحلیل DNA و ساخت‌ ربات‌هایی است که بتوانند در یک دنیای انسانی به فعالیت بپردازند.

منبع: زومیت

10

شبکه‌های اجتماعی
دیدگاهتان را بنویسید