数学经常出现在计算机编程中，通常作为描述和操纵现实世界现象的一种手段。 例如，它用于表示计算机屏幕上的像素、天气状况或人工网络中的节点。 在这种情况下使用数学的主要方法之一是对矩阵进行计算。
在编写游戏时，矩阵描述了可能的移动选项。 为了实现这样的移动，通常将矩阵相乘和/或相加。 这需要大量的工作游戏开发数学，特别是当矩阵变得越来越大时，这就是为什么计算机科学家花费大量时间和精力开发越来越高效的算法来完成工作的原因。 1969 年，数学家 Volker Strassen 找到了一种仅使用 7 次乘法运算（而不是标准的 8 次）即可将两个 2×2 矩阵相乘的方法。
但在新的工作中硬件设备，“deepthink”研究人员从游戏系统中寻找灵感，其中大部分都是基于强化学习的。 在构建了一些初步系统后，团队将重点转向树搜索，树搜索也用于游戏编程，作为系统在给定情况下查看各种选项的一种手段。 当应用于乘法矩阵时，研究人员发现，将人工智能系统变成游戏会寻找最有效的方法来获得所需的结果——数学结果。
研究人员通过允许系统搜索、评估然后使用现有算法来测试他们的系统，并通过奖励激励选择最有效的算法。 系统学习影响矩阵乘法效率的因素。 接下来，研究人员将通过允许系统创建自己的算法来寻求进一步提高效率。 他们发现，在许多情况下游戏开发数学，系统选择的算法比人类前辈创建的算法更好。
DeepMind团队希望未来人工智能能更多地被用来帮助解决数学和科学中一些最重要的问题。
【主编圈子】
“AlphaTensor”的前身实际上是在国际象棋、围棋、将棋等游戏中击败人类高手的“Alpha Zero”。 可以说，这项工作展示了智能体从游戏到解决数学问题的重要转变。 从数学角度来看，新的人工智能可以比以往更有效地探索算法空间，加深人们对矩阵丰富性的理解。 从更深刻的角度来看游戏图片，矩阵乘法是计算机图形学、数字通信、神经网络训练、科学计算等许多领域的核心。 这个AI不仅会带来“矩阵游戏”，还会涉及上述领域。 计算效率大大提高。
文章来源:http://henan.china.com.cn/m/2022-10/09/content_42130582.html
