「限られた訓練データで機械学習モデルは信頼性のある結果を生み出すのか？ケンブリッジ大学とコーネル大学の新しいAI研究がそれを見つけました…」

ケンブリッジ大学とコーネル大学の新しいAI研究は、限られた訓練データで信頼性のある結果を生み出すことを発見しました

ディープラーニングは、音声認識から自律システム、コンピュータビジョン、自然言語処理まで、人工知能の中で強力で画期的な技術に発展しました。しかし、ディープラーニングモデルはトレーニングにかなりのデータが必要です。モデルをトレーニングするために、通常、大量のデータ（写真のコレクションなど）を注釈付けする必要があります。このプロセスは非常に時間がかかり、労力を要します。

そのため、モデルのトレーニングが容易になるように、少ないデータでモデルをトレーニングするための多くの研究が行われています。研究者たちは、通常予想されるトレーニングデータのはるかに少ない量を使用しながら、複雑な方程式を実際の状況で理解できる信頼性のある機械学習モデルを作成する方法を模索してきました。

その結果、コーネル大学とケンブリッジ大学の研究者は、少ないデータを与えられても偏微分方程式の機械学習モデルが正確な結果を出力できることを発見しました。偏微分方程式は、自然界の物事が空間と時間で進化する方法を記述する物理学の方程式の一種です。

• 大規模言語モデルの応用の最先端テクニック
• 「データと分析について非データの人々と話す方法」
• 「Pythonを使用してPDFファイルからテキストを抽出する：包括的なガイド」

数学科学研究所のNicolas Boullé博士によれば、人間と一緒に機械学習モデルをトレーニングするのは効率的ですが、時間と費用がかかります。彼らは、正確な結果を出力しながらこれらのアルゴリズムをトレーニングするためにどの程度のデータが必要なのかを正確に知りたいと考えています。

研究者たちは、ランダムな数値線形代数と偏微分方程式理論を利用して、3次元の一様楕円型偏微分方程式の解演算子を入出力データから復元し、トレーニングデータセットのサイズに関する誤差の指数収束を非常に高い確率で達成するアルゴリズムを作成しました。

INI-Simons FoundationのポストドクトラルフェローであるBoullé博士は、偏微分方程式は物理学の構成要素のようなものであり、氷の融解ブロックの安定な状態がどのように維持されるかなど、自然の物理的な法則を説明するのに役立つと述べています。研究者たちは、これらのAIモデルは基礎的であるとしながらも、なぜAIが物理学で非常に効果的であるのかを理解するのに役立つ可能性があると考えています。

研究者たちは、さまざまなランダムな入力データ量とコンピュータ生成の一致する回答を持つトレーニングデータセットを使用しました。次に、AIの予測された解答を新しい入力データの一連のバッチでテストし、それらの正確性を確認しました。

Boullé博士によれば、それは分野によりますが、物理学では非常に少ないデータでも多くの成果を挙げることができるとのことです。どれだけ少ない情報で堅牢なモデルを作成できるかは驚くほどです。彼らは、これらの方程式の数学的な特性がその構造を活用し、モデルを改善することを可能にしていると述べています。

研究者たちは、モデルが適切な情報を学習することが重要であると述べていますが、物理学のための機械学習は魅力的なトピックです。Boullé博士によれば、AIは多くの興味深い数学と物理学の課題の解決に役立つことができます。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!