Los científicos informáticos del Laboratorio Nacional Lawrence Livermore (LLNL) han desarrollado un nuevo marco y una herramienta de visualización adjunta que aprovecha el aprendizaje de refuerzo profundo para problemas de regresión simbólica, superando los métodos de referencia en problemas de referencia.
El documento fue aceptado recientemente como una presentación oral en la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR 2021), una de las principales conferencias de aprendizaje automático del mundo. La conferencia se llevará a cabo del 3 al 7 de mayo.
Aplicación del aprendizaje por refuerzo profundo a la regresión simbólica
En el documento, el equipo de LLNL describe la aplicación del aprendizaje por refuerzo profundo a la optimización discreta, problemas que tratan con «bloques de construcción» discretos que deben combinarse en un orden o configuración particular para optimizar una propiedad deseada. El equipo se centró en un tipo de optimización discreta llamada regresión simbólica: encontrar expresiones matemáticas breves que se ajustan a los datos recopilados de un experimento. La regresión simbólica tiene como objetivo descubrir las ecuaciones o dinámicas subyacentes de un proceso físico.
Si bien el aprendizaje profundo ha tenido éxito en la resolución de muchas tareas complejas, sus resultados son en gran parte ininterpretables para los humanos, continuó Petersen:
Aquí, estamos usando modelos grandes (es decir, redes neuronales) para buscar en el espacio de modelos pequeños (es decir, expresiones matemáticas cortas), por lo que está obteniendo lo mejor de ambos mundos. Está aprovechando el poder del aprendizaje profundo, pero conseguir lo que realmente quieres, que es una ecuación física muy sucinta.
La regresión simbólica generalmente se aborda en el aprendizaje automático y la inteligencia artificial con algoritmos evolutivos, dijo Petersen. El problema con los enfoques evolutivos es que los algoritmos no se basan en principios y no escalan muy bien, explicó. El enfoque de aprendizaje profundo de LLNL es diferente porque está respaldado por la teoría y basado en información de gradiente, lo que lo hace mucho más comprensible y útil para los científicos, dijeron los coautores.
