Naukowcy z Politechniki Krakowskiej stworzyli przełomowe narzędzie dla świata sztucznej inteligencji. Dr Agnieszka Niemczynowicz i dr Radosław Kycia, we współpracy z międzynarodowym zespołem badaczy z Polski, Hiszpanii i Czech, opracowali bibliotekę Hypercomplex Keras.
Reklama
To unikatowe oprogramowanie, umożliwiające łatwe wykorzystanie liczb hiperzespolonych do tworzenia sztucznych sieci neuronowych. Rozwiązanie, otwarte dla programistów z całego świata, to krok w kierunku AI nowej generacji. Pozwala budować bardziej zaawansowane, elastyczne i transparentne modele uczenia maszynowego. Może to w globalnej skali zrewolucjonizować sposoby przetwarzania danych w wielu dziedzinach życia – nauce, medycynie, cyberbezpieczeństwie, ekonomii, przemyśle, kulturze i innych.
Narzędzie zaproponowane przez polskich naukowców wypełnia pewną lukę i jest odpowiedzią na potrzeby specjalistów od AI. Przed upublicznieniem biblioteki Hypercomplex Keras, wykorzystanie sieci hiperzespolonych ograniczało się do zaledwie kilku wybranych typów liczb hiperzespolonych, szczególnie czterowymiarowych, które są preferowane w przetwarzaniu obrazów.
Rezultatem międzynarodowego projektu jest m.in. opracowanie nowych architektur hiperzespolonych sieci neuronowych, udostępnionych w postaci bezpłatnego i otwartego (Open Source) pakietu Hypercomplex Keras. Biblioteka zaproponowana przez naukowców integruje się z – popularnym już wcześniej – narzędziem Keras do efektywnego tworzenia skomplikowanych, specjalistycznych warstw neuronowych pozwalających konstruować sieci neuronowe.
Przede wszystkim jednak stanowi znaczne rozszerzenie znanej programistom biblioteki. Dzięki badaczom z Politechniki Krakowskiej, Hypercomplex Keras może być teraz wykorzystywana przez praktycznie każdą osobę na świecie do tworzenia własnych, użytecznych rozwiązań AI. Co ważne, bibliotekę Hypercomplex Keras można zainstalować przez standardowy instalator pakietów dla języka programowania Python.
Liczby hiperzespolone czyli jakie?
Liczby hiperzespolone, na których zasadza się biblioteka Hypercomplex Keras, są fascynującymi obiektami matematycznymi, rozszerzającymi liczby rzeczywiste. – Liczby hiperzespolone można wyobrazić sobie jako pary, trójki, a nawet całe sekwencje liczb. Możemy je mnożyć w ustalony sposób, tak aby spełnione były – przynajmniej częściowo – prawa mnożenia i dodawania, znane nam z arytmetyki liczb rzeczywistych. Dzięki tym właściwościom uzyskujemy taki efekt, jakbyśmy do świata liczb rzeczywistych dodali nowe wymiary – mówi dr Kycia.
Przykładami liczb hiperzespolonych są liczby zespolone, kwaterniony, oktoniony oraz algebry Clifforda, mające znaczenie w opisie przyrody na fundamentalnym poziomie (większa część praw fizyki).
Praktyczne rezultaty międzynarodowej współpracy
Jedną z dziedzin, w której sieci hiperzespolone pokazują swoją wyższość nad klasycznymi rozwiązaniami, jest analiza obrazów. Zdolność rozpoznawania wzorców na obrazach powiązana jest z liczbą parametrów ustawianych w procesie jej trenowania. Im mniejsza liczba parametrów tym trenowanie i odpowiedzi zajmują mniej czasu. Testem dla sztucznych sieci neuronowych jest np. sprawdzenie, w jaki sposób radzą sobie z rozpoznawaniem objawów chorobowych na obrazach, np. nowotworu na zdjęciach tkanki. W tego rodzaju testach sieci hiperzespolone uzyskiwały podobne rezultaty do sieci klasycznych, ale przy znacznie mniejszej liczbie parametrów.
– Mamy zatem namacalne korzyści – oszczędność czasu i energii przy uczeniu i wykorzystaniu sieci hiperzespolonych – mówi dr Agnieszka Niemczynowicz.
Kto zatem skorzysta z nowych rozwiązań? – Beneficjentami wyników naszego projektu w sposób naturalny i bezpośredni są środowiska akademickie i naukowcy zajmujący się AI i uczeniem maszynowym, czyli specjaliści, którzy mogą wykorzystać wyniki naszych badań, aby usprawnić istniejące modele i umożliwić lepsze zrozumienie sieci neuronowych. Otwiera to też nowe kierunki badań.
Z kolei matematycy i teoretycy obliczeniowi mogą wykorzystać wyniki badań do opracowania nowych formalnych metod analizy i optymalizacji sieci neuronowych – wymienia dr Radosław Kycia. Wskazuje również, że wyniki prac projektowych mogą wesprzeć specjalistów od wyjaśnialnej sztucznej inteligencji (ang. eXplainable AI, XAI), która pomaga opisać model AI, zrozumieć wynik zwracany przez AI i potencjalne błędy.
Wyjaśnialna sztuczna inteligencja odgrywa również rolę w charakteryzowaniu dokładności, uczciwości i przejrzystości wyników modelu w procesach decyzyjnych opartych na sztucznej inteligencji. Działania podjęte na Politechnice Krakowskiej mogą ułatwić specom od eXplainable AI interpretowanie jej działania, a także rozwój metod XAI.
Fot. Freepik
