يكتشف AlphaDev من Deepmind خوارزميات الفرز التي يمكن أن تحدث ثورة في أسس الحوسبة

حقق مختبر أبحاث جوجل للذكاء الاصطناعي (AI) DeepMind إنجازًا رائعًا في علوم الكمبيوتر من خلال أحدث نظام للذكاء الاصطناعي ، AlphaDev. حققت هذه النسخة المتخصصة من AlphaZero تقدمًا كبيرًا من خلال الكشف عن خوارزميات الفرز والتجزئة الأسرع ، وهي عمليات أساسية تستخدم تريليونات المرات يوميًا من قبل المطورين في جميع أنحاء العالم لفرز البيانات وتخزينها واسترجاعها.

في بحث نُشر اليوم في المجلة العلمية Nature ، يؤكد DeepMind أن خوارزمية AlphaDev المكتشفة حديثًا تحقق زيادة بنسبة 70٪ في كفاءة فرز التسلسلات القصيرة للعناصر وحوالي 1.7٪ للتسلسلات التي تتجاوز 250.000 عنصر ، مقارنة بالخوارزميات الموجودة في مكتبة C ++. . وبالتالي ، عندما يرسل المستخدم استعلام بحث ، تسهل خوارزمية AlphaDev فرز النتائج بشكل أسرع ، مما يؤدي إلى توفير كبير في الوقت والطاقة عند استخدامها على نطاق واسع.

علاوة على ذلك ، كشف النظام أيضًا عن خوارزمية أسرع لتجزئة المعلومات ، مما أدى إلى تحسن بنسبة 30٪ في الكفاءة عند تطبيقها على وظائف التجزئة ضمن نطاق 9 إلى 16 بايت في مراكز البيانات.

إحداث ثورة في علوم الكمبيوتر

يعتقد Deepmind أن هذا الإنجاز الرائع أحدث ثورة في علوم الكمبيوتر ويعد بتحسين الكفاءة والفعالية.

“اكتشف AlphaDev خوارزميات فرز محسّنة ، بما في ذلك الابتكارات الجديدة مثل نسخ AlphaDev وحركات المقايضة” ، هذا ما قاله دانييل مانكوفيتز ، عالم الأبحاث في فريق Google DeepMind ، لموقع VentureBeat. “على غرار” الحركة 37 “الشهيرة لـ AlphaGo والتي أسفرت عن مجموعة جديدة من الاستراتيجيات للعب لعبة Go القديمة ، نأمل أن تلهم اكتشافات AlphaDev الخوارزمية الفريدة وجهات نظر واستراتيجيات جديدة لتحسين خوارزميات علوم الكمبيوتر الأساسية وجعلها أسرع.”

قال مانكوفيتز إن هذا يعد علامة فارقة في التعلم المعزز لأنه يوفر المزيد من الأدلة على قدرته على تحقيق اكتشافات جديدة ، خاصة في مجال تحسين الكود.

كما أعلنت الشركة عزمها إتاحة الخوارزميات الجديدة من خلال مكتبة الفرز القياسية LLVM libc ++ ، بهدف تمكين ملايين المطورين والشركات في مختلف الصناعات. بشكل ملحوظ ، يمثل هذا التحديث المراجعة الأولى لهذا القسم من مكتبة الفرز منذ أكثر من عقد والتضمين الأولي لخوارزمية تم تطويرها من خلال التعلم المعزز.

قال مانكوفيتز: “نقدر أن خوارزميات الفرز مفتوحة المصدر الخاصة بنا ، والتي تؤدي إلى تحسينات في السرعة من 2٪ إلى ~ 70٪ ، تسمى تريليونات المرات يوميًا في جميع أنحاء العالم”. يمكن أن توفر هذه الخوارزميات توفير الموارد للمطورين والشركات التي تستدعي هذه الوظائف في أنظمتها وتطبيقاتها. نعتقد أن هذه الخوارزميات ستلهم الباحثين والممارسين لتطوير مناهج جديدة تؤدي إلى المزيد من الاكتشافات للخوارزميات الجديدة والمحسّنة “.

الاستفادة من التعلم المعزز لتعزيز تطوير الخوارزمية التقليدية

وفقًا لـ DeepMind ، وصلت معظم الخوارزميات الحسابية إلى مرحلة لم يتمكن فيها الخبراء البشريون من تحسينها بشكل أكبر ، مما أدى إلى تصعيد عنق الزجاجة الحسابي.

سلطت الشركة الضوء على حقيقة أن استخدام التعلم المعزز العميق يعزز طرق التطوير من خلال إنشاء خوارزميات دقيقة وفعالة. يتم تحقيق ذلك من خلال تحسين زمن الوصول المُقاس الفعلي على مستوى تعليمات وحدة المعالجة المركزية أثناء إجراء بحث أكثر كفاءة مع مراعاة مساحة البرامج الدقيقة والسريعة.

تسهل خوارزميات الفرز ، في جوهرها ، الترتيب المنهجي للعناصر بترتيب محدد. هذه بمثابة الأساس لتعليم علوم الكمبيوتر.

وبالمثل ، تجد التجزئة تطبيقًا واسع الانتشار في تخزين البيانات واسترجاعها ، كما هو الحال في قاعدة بيانات العملاء. تستخدم خوارزميات التجزئة عادةً مفتاحًا (اسم المستخدم “Jane Doe”) لإنشاء تجزئة فريدة تتوافق مع قيم البيانات المطلوبة للاسترجاع (“رقم الطلب 164335-87”). على غرار أمين المكتبة الذي يستخدم نظام تصنيف لتحديد موقع كتاب معين على الفور ، فإن نظام التجزئة يمكّن الكمبيوتر من امتلاك معرفة مسبقة بالمعلومات المطلوبة وموقعها الدقيق.

نظرة عامة مفصلة

على الرغم من أن المطورين يكتبون بشكل أساسي التعليمات البرمجية بلغات عالية المستوى سهلة الاستخدام مثل C ++ ، فإن ترجمة هذه اللغات إلى تعليمات تجميع منخفضة المستوى أمر لا غنى عنه لفهم الكمبيوتر.

يعتقد باحثو DeepMind أن العديد من التحسينات موجودة في المستوى الأدنى ، مما قد يشكل تحديات لكشف النقاب في لغات البرمجة عالية المستوى. يوفر مستوى التجميع المرونة في تخزين الكمبيوتر وعملياته ، مما يوفر إمكانات هائلة للتحسينات التي يمكن أن تؤثر بشكل كبير على السرعة وكفاءة الطاقة.

لتشغيل خوارزمية في C ++ ، يتم تجميعها أولاً في تعليمات وحدة المعالجة المركزية منخفضة المستوى تسمى تعليمات التجميع ، والتي تعالج البيانات بين الذاكرة والسجلات على وحدة المعالجة المركزية.

قال مانكوفيتز: “يوفر هذا نظرة عامة أكثر تفصيلاً عن كيفية عمل الخوارزمية ، وبالتالي يسهل العثور على تحسينات لتحسين الخوارزمية”. “من خلال تحسين التجميع ، اكتشفنا حركات النسخ والتبديل AlphaDev. هذه عبارة عن تسلسلات من تعليمات التجميع التي تقلل من حجم البرنامج بتعليمات واحدة عند تطبيقها على برنامج التجميع. “

نهج Deepmind الفريد لاكتشاف خوارزميات أسرع

اعتمد AlphaDev من DeepMind نهجًا غير تقليدي للكشف عن خوارزميات أسرع من خلال المغامرة في عالم تعليمات تجميع الكمبيوتر – وهو مجال نادرًا ما يستكشفه البشر.

لفتح خوارزميات جديدة ، استوحى AlphaDev الإلهام من نموذج التعلم التعزيزي الشهير لـ DeepMind ، AlphaZero ، الذي حقق انتصارات ضد أبطال العالم في ألعاب مثل Go و Chess و shogi (الشطرنج الياباني).

لتدريب AlphaDev على اكتشاف خوارزميات جديدة ، أعاد فريق البحث تصور الفرز على أنه “لعبة تجميع” للاعب واحد. استخدم AlphaDev التعلم المعزز لمراقبة وإنشاء الخوارزميات أثناء دمج المعلومات من وحدة المعالجة المركزية.

اختار نظام الذكاء الاصطناعي بشكل استباقي تعليمات لدمجها في الخوارزمية في كل خطوة ، مما أدى إلى عملية معقدة ومتطلبة نظرًا للعدد الهائل من مجموعات التعليمات المحتملة.

اكتشاف البرنامج الصحيح والأسرع

نظرًا لأن AlphaDev أنشأ الخوارزمية بشكل تدريجي ، فقد تحقق أيضًا من صحة كل خطوة من خلال مقارنة ناتج الخوارزمية مع النتائج المتوقعة. كان الهدف النهائي من هذا النهج هو اكتشاف برنامج صحيح وأسرع ، وبالتالي تحقيق النصر في اللعبة.

اكتشف نظام الذكاء الاصطناعي في DeepMind خوارزميات فرز جديدة أدت إلى تحسينات جوهرية داخل مكتبة الفرز LLVM libc ++.

ركز البحث بشكل أساسي على تحسين خوارزميات الفرز للتسلسلات الأقصر ، والتي تتكون عادةً من ثلاثة إلى خمسة عناصر. نظرًا لأن هذه الخوارزميات يتم دمجها في كثير من الأحيان في وظائف فرز أكبر ، فإن تحسين كفاءتها يمكن أن يحسن السرعة الإجمالية عند فرز أي عدد من العناصر.

من أجل تحسين قابلية الاستخدام ، قام DeepMind بهندسة عكسية للخوارزميات المكشوفة وتحويلها إلى C ++.

تجاوز مجال خوارزميات الفرز

وأوضح مانكوفيتز أن التحسينات تخص عمليات الفرز 3 ، والفرز 4 ، والفرز 5 التي تفرز الأرقام ، وتحديدًا الأعداد الصحيحة والعوامات.

قال: “في أي وقت يحتاج فيه مطور أو تطبيق إلى فرز أنواع البيانات هذه ، يمكن استدعاء خوارزميات الفرز لدينا”. مع تحسينات السرعة التي تتراوح من 2٪ إلى 70٪ اعتمادًا على عدد العناصر المراد فرزها ، وتسمى هذه الوظائف تريليونات المرات كل يوم ، سيتمكن المطورون والمستخدمون من تشغيل تطبيقاتهم / استخدام خدمات متنوعة مع استهلاك موارد أقل. . “

علاوة على ذلك ، تتجاوز قدرات AlphaDev مجال خوارزميات الفرز. استكشف DeepMind إمكانات النظام لتعميم نهجه وتعزيز خوارزميات علوم الكمبيوتر الأساسية الأخرى ، بما في ذلك التجزئة. أدى تطبيق منهجية AlphaDev على خوارزمية التجزئة ضمن نطاق 9 إلى 16 بايت إلى تحسين السرعة بنسبة 30٪.

وأوضح مانكوفيتز: “على هذا النحو ، قمنا بتحسين تجزئة” الدقة “(تقليل الاصطدامات) والسرعة (زمن الوصول).

خوارزمية التجزئة متاحة الآن في مكتبة أبسيل مفتوحة المصدر.

ما التالي بالنسبة لـ Deepmind؟

يقول DeepMind أن AlphaDev هو علامة فارقة في التقدم نحو إنشاء أدوات ذكاء اصطناعي متعددة الاستخدامات قادرة على تحسين النظام البيئي للحوسبة بأكمله ومعالجة التحديات المجتمعية المختلفة.

في حين أن تحسين تعليمات التجميع منخفضة المستوى أثبتت قوتها الهائلة ، قالت الشركة إنها تستكشف بنشاط إمكانات AlphaDev لتحسين الخوارزميات مباشرة في اللغات عالية المستوى مثل C ++ ، والتي ستكون أكثر قيمة للمطورين.

قال مانكوفيتز: “يقوم AlphaDev بتحسين جزء واحد من مجموعة الحوسبة”. هذا يجعل الخوارزميات الأساسية التي تعمل في المكدس أكثر كفاءة. نحن نحاول أيضًا تحسين الجوانب الأخرى للمكدس “.

على سبيل المثال ، جدولة الموارد بشكل أكثر كفاءة عند تشغيل التطبيقات والخدمات ، وتحسين خط أنابيب ضغط الفيديو في Youtube وتحسين الأجهزة الأساسية التي تعمل عليها الأنظمة والتطبيقات.

قال مانكوفيتز: “نأمل أن تمنح هذه الخوارزميات الباحثين والممارسين منظورًا مختلفًا حول كيفية بناء الخوارزميات”.