Kun tekoäly kaataa matematiikan vaikeimmat muurit

Edistys ei aina vaadi jättimäisiä koneita. Joskus ratkaisu piilee fiksummassa tavassa tarttua ongelmaan.

Pennsylvanian yliopistossa tutkijat löysivät sellaisen. He kohdistivat tulilinjalle käänteiset osittaisdifferentiaaliyhtälöt. Kuulostaa kuivalta? Pidä hetki mukana. Tässä on juju.

Mikä ihmeen käänteinen ongelma?

Kuvittele lammen pinta. Näet aallot leviävän. Mistä kivi heitettiin? Siinä ydinkysymys.

Arjessa tämä toistuu jatkuvasti. Ilmastotutkijat mittaavat lämpötiloja ja etsivät syitä. Biologit tarkkailevat DNA:n taittumista solussa, mutta haluavat tietää kemialliset ohjaajat. Lääkärit näkevät lämmön leviämistä kudoksessa ja pohtivat syytä.

Perinteisesti mallit toimivat eteenpäin: tunnetut syyt ennustavat tuloksia. Käänteinen suunta – havainnoista syihin – on ollut kidutusta.

Ei teho, vaan matematiikka ollut pullonkaula

AI-maailmassa vaikeudet ratkaistaan usein teholla. Isommat prosessorit, enemmän laskentaa. Näin on menty vuosia.

Pennin porukka näki asian toisin. Ongelma oli laskentatavassa, ei raudassa.

Syy? Useimmat AI:t käyttävät rekursiivista automaattista differentiaatiota. Se on kuin epätarkkaa kuvaa zoomaat yhä uudelleen. Melu kasvaa, virheet paisuvat. Lopputulos on sekasotku, varsinkin kun data on luonnostaan rämeää.

Laskenta räsyy ja vaatii valtaisia resursseja vaatimattomiin tuloksiin.

1940-luvun nerokas kikka pelastaa päivän

Tutkijat kaivoivat vanhoja papereita. Löysivät mollifikaattorit, Kurt Otto Friedrichsin 1940-luvun keksinnön. Nämä tasoittavat dataa pehmeästi.

Uusi idea: lisätään AI-malliin mollifikaattokerros. Se puhdistaa melun ennen raskaita laskuja.

Yksinkertaista ja nerokasta. Tasoitettu data antaa luotettavat muutokset. Tulos: vähemmän virheitä, pienemmät laskukustannukset ja toimivat yhtälöt. Ei superkoneita.

Miksi tämä muuttaa pelikenttää?

Ei vain matematiikkaa varten. Sovellukset ovat konkreettisia.

Biologiassa epigenetiikka avautuu: mitkä kemikaalit hiljentävät geenejä? Käänteiset yhtälöt purkavat arvoituksen.

Säämallit tarkentuvat. Ilmastomallit, tautien leviämiset, materiaalitiede – kaikki hyötyvät vakaammasta matikasta.

Missä vain havainnoista kaivetaan piilotettuja voimia, tämä auttaa.

Laajempi kuva

Jännittävä ei ole vain ratkaisu. Se on ajattelutapa: ei vain isommin, vaan fiksummmin.

AI-kenttä jämähti skaalaan – suuremmat mallit, dataa ja tehoa. Skaala on tärkeää. Mutta joskus voittaa eleganssi. Uusi kulma vanhaan ongelmaan.

Pennin tiimi näytti: vanhat matemaattiset helmet sopivat nykypulmiin. Tällainen oivallus vie tiedettä eteenpäin.

Hauska juttu: 2000-luvun AI-vastaus lymysi 1940-luvun papereissa.