محققان با الگوریتمی جدید، یک مسئله پیچیده ریاضی را یک میلیون بار سریعتر حل کردند

محققان به‌تازگی موفق به کشف تکنیک جدیدی در حوزه رایانش مخزنی شده‌اند که حداکثر یک میلیون برابر تکنیک‌های قبلی سرعت دارد و از منابع رایانشی و ورودی‌های بسیار کمتری استفاده می‌کند.

پژوهشگران دانشگاه اوهایو با این تکنیک توانسته‌اند در کسری از ثانیه روی یک کامپیوتر دسکتاپ یک مسئله رایانشی پیچیده را حل کنند. این مسئله و مسائلی مثل پیش‌بینی تکامل سیستم‌های پویا از جمله وضعیت آب و هوا که در طول زمان تغییر می‌کند، دقیقا همان مسائلی هستند که رایانش مخزنی برای حل‌شان ساخته شده است.

در رایانش مخزنی از الگوریتم‌های یادگیری ماشینی برای شبیه‌سازی سازوکارهای مغز انسان استفاده می‌شود. پیش‌بینی سیستم‌های پویا کار بسیار سختی است چون باید چالش‌هایی مثل «اثر پروانه‌ای» را پشت سر گذاشت. یادگیری مخزنی می‌تواند خیلی دقیق چگونگی رفتار آینده این سیستم‌ها را پیش‌بینی کند. ولی هرچه سیستم بزرگ‌تر و پیچیده‌تر باشد، منابع رایانشی، رشته‌های عصبی و زمان بیشتری برای انجام محاسبات لازم است.

بر اساس اطلاعاتی که از آزمایش‌های محققان دانشگاه اوهایو منتشر شده، تکنیک آن‌ها ۳۳ تا ۱۶۳ برابر سریع‌تر از سایر تکنیک‌ها بوده است. البته زمانی که اولویت در حل مسائل به سمت دقت تغییر پیدا کرد، این مدل ۱ میلیون بار سریع‌تر از سایر مدل‌ها شد.

«دنیل گوتیر»، محقق ارشد این آزمایش‌ها می‌گوید: «در نسل جدید رایانش مخزنی تقریبا به هیچ زمانی برای آموزش نیاز نداریم. دانشمندان در حال حاضر باید از حداقل ۱۰۰۰ یا ۱۰۰۰۰ نقطه داده برای آموزش اولیه استفاده کنند. تمام این داده‌ها از دست می‌روند و در کار نهایی استفاده نمی‌شوند. ولی مدل ما فقط به یک یا دو یا سه نقطه داده نیاز دارد.»

افزون بر این، تکنیک جدید دانشگاه اوهایو می‌تواند فقط با ۲۸ رشته عصبی دقت سایر مدل‌های رایانش مخزنی را داشته باشد. این در حالی است که سایر مدل‌ها به ۴۰۰۰ رشته عصبی نیاز دارند. گوتیر می‌گوید: «نکته هیجان‌انگیز این است که نسل بعدی رایانش مخزنی باعث بهبود قابل توجه تکنیک‌هایی می‌شود که قبلا هم تا حد زیادی خوب بودند.»

محققان حالا می‌خواهند تکنیک خود را روی مسائل پیچیده‌تر مثل پیش‌بینی سیستم‌های پویای سیال آزمایش کنند.