人工智能升级：新算法可能带来更便宜、更准确、更轻量级的人工智能模型

一组研究人员解决了机器学习中的一个基础性问题，创造了第一种处理对称数据的方法，这种方法在计算和数据需求方面都能保证高效。主要的挑战在于，人工智能很容易被对称性所迷惑；例如，它可能会将旋转的分子视为一个全新的物体，而不是将其识别为相同的结构。

这些对称性非常重要，因为它们是大自然告诉我们的某种数据信息，我们应该在机器学习模型中将其考虑在内。我们现在已经证明，可以用高效的方式对对称数据进行机器学习。-Behrooz Tahmasebi，麻省理工学院研究生，共同第一作者。

虽然图形神经网络（Graph Neural Networks）等一些现有模型可以处理对称性问题，但研究人员还没有完全弄明白它们为什么能如此有效。麻省理工学院的这个团队说，他们采取了一种不同的方法--他们结合代数和几何的数学概念设计了一种新算法，创建了一个可以高效学习并尊重对称性的系统。

这种高效的方法需要更少的数据样本进行训练，从而提高了模型的准确性和适应性。研究人员表示，他们的研究成果将有助于 开发出功能更强大、资源消耗更少的人工智能模型从发现新材料，到识别天文异常和揭示复杂的气候模式"。这项研究最近在国际机器学习大会上发表。