Onderzoekers van MIT vinden slimme manier om AI sneller en efficiënter te trainen door gebruik te maken van wiskundige symmetrieën.
Slimmere AI dankzij wiskunde
Onderzoekers van het Massachusetts Institute of Technology (MIT) hebben een doorbraak bereikt in het efficiënter trainen van AI-modellen, met name wanneer deze moeten werken met zogeheten symmetrische data. Denk aan moleculen, sociale netwerken of afbeeldingen, waar het vaak niet uitmaakt in welke volgorde de onderdelen gepresenteerd worden — de onderliggende betekenis blijft hetzelfde. Door deze symmetrische eigenschappen slim te benutten, kunnen nieuwe algoritmes veel sneller en met minder data tot betrouwbare resultaten komen.
Symmetrie als sleutel tot efficiëntie
De kern van de ontdekking draait om het herkennen van symmetrie in data. In veel toepassingen van machine learning komt het voor dat bepaalde elementen inwisselbaar zijn zonder dat dit iets verandert aan de betekenis. Zo maakt het bij moleculen bijvoorbeeld niet uit of atoom A voor of na atoom B wordt genoemd: de structuur blijft hetzelfde.
De onderzoekers ontwikkelden algoritmes die zulke permutaties automatisch herkennen en in hun voordeel gebruiken. Hierdoor hoeven AI-modellen niet eindeloos te worden getraind op telkens opnieuw geordende varianten van dezelfde data. In plaats daarvan leren ze direct de invariante eigenschappen — de echte kern van het patroon.
Tot 100 keer efficiënter leren
De nieuwe benadering maakt gebruik van zogeheten symmetric kernels, wiskundige functies die zijn aangepast aan de specifieke symmetrie van het probleem. Tests tonen aan dat deze methode tot wel honderd keer minder trainingsdata vereist om hetzelfde niveau van nauwkeurigheid te bereiken als klassieke modellen.
Volgens de onderzoekers betekent dit niet alleen snellere training en lagere rekentijd, maar ook minder energieverbruik. Dit maakt het niet alleen technologisch aantrekkelijk, maar ook duurzamer.
Toepassingen in chemie, netwerkanalyse en beeldherkenning
De toepassingen zijn talrijk. In de chemie kunnen AI-modellen sneller moleculen analyseren of nieuwe medicijnen ontwerpen. In sociale netwerken helpt het bij het herkennen van structuren en gedragspatronen. En in beeldherkenning kunnen symmetrische objecten zoals gezichten of patronen efficiënter geanalyseerd worden.
Deze aanpak maakt het mogelijk om AI-systemen beter af te stemmen op de structuur van hun input data, wat cruciaal is in een tijd waarin AI steeds meer wordt ingezet in complexe wetenschappelijke domeinen.
Toekomst: AI-modellen met ingebouwde intelligentie
De onderzoekers benadrukken dat dit slechts het begin is. In plaats van brute rekenkracht in te zetten, wordt machine learning nu slimmer en contextgevoeliger. Door inductive bias — een soort ingebouwd vooroordeel dat het model in de goede richting stuurt — op maat te maken voor specifieke datastructuren, wordt AI efficiënter, krachtiger én toegankelijker.
De bevindingen zijn gepresenteerd op het prestigieuze International Conference on Machine Learning (ICML), en vormen volgens experts een belangrijke stap richting green AI — krachtige AI die minder vraagt van mens, machine en milieu.
New algorithms enable efficient machine learning with symmetric dataMIT researchers designed a computationally efficient algorithm for machine learning with symmetric data that also requires fewer data for training than conventional approaches. Their work could inform the design of faster, more accurate machine-learning models for tasks like discovering new drugs or identifying astronomical phenomena. |
