BIGGER PICTURE Wissenschaft & Entdeckung
KI erfindet einen kürzeren Weg zum Multiplizieren
Viele digitale Aufgaben beruhen auf der Multiplikation von Zahlentabellen. AlphaTensor suchte neue Rechenrezepte dafür und erzeugte Lösungen, die Mathematiker und Entwickler überprüfen können.

- Konkretes Beispiel
- 76 statt 80 Multiplikationen
- Beispielgröße
- 4×5 multipliziert mit 5×5
- Hardwareversuche
- 10–20 % schneller in bestimmten Benchmarks
So funktioniert die Idee
Offene Multiplikation darstellen
Ein Tensor beschreibt die noch abzubildende Rechnung.
Kürzeres exaktes Rezept finden
Bestärkendes Lernen sucht Kombinationen bis zum Nullzustand.
Ergebnis prüfen und messen
Algebraische Prüfungen und Hardwaretests bewerten jeden Algorithmus.
Eine vertraute Rechnung mit verborgenen Möglichkeiten
Matrizenmultiplikation hilft Computern bei Bildern, Simulationen und dem Training neuronaler Netze. Die Standardmethode ist einfach, aber nicht immer am sparsamsten. AlphaTensor fand für eine 4-mal-5- mit einer 5-mal-5-Matrix ein Verfahren mit 76 Multiplikationen statt zuvor bekannter 80. Der direkte Schulbuchweg benötigt 100.
Belege: [1]
Die verbleibende Arbeit zum Spielfeld machen
Die Forschenden stellten die Rechnung als dreidimensionales Zahlenfeld dar. Jeder Zug beseitigte einen Teil der verbleibenden Rechenarbeit. Ein vollständig auf null gebrachtes Feld bedeutete, dass das vorgeschlagene Rezept die gewünschte Multiplikation exakt wiedergab. Bestärkendes Lernen suchte kurze erfolgreiche Zugfolgen in einem gewaltigen Raum möglicher Formeln.
Belege: [1]
Ein kurzes Rechenrezept ist nicht immer am schnellsten
Praktische Geschwindigkeit hängt auch vom Prozessor ab. Das Team speiste deshalb gemessene Hardwareleistung in die Suche zurück. Es berichtete in ausgewählten Versuchen auf Nvidia V100 und TPU v2 um 10–20 % schnellere Multiplikationen. Das veröffentlichte Repository enthält ein V100-Benchmarkskript. Der Befund ist damit an konkrete Geräte und Tests gebunden.
Das Rezept veröffentlichen, nicht nur die Schlagzeile
Das Projekt veröffentlichte Algorithmen, Prüfnotebooks und Tausende unterschiedlicher Lösungen für ein Matrizenproblem. Forschende können sie untersuchen und weiterverwenden, ohne einer überzeugenden KI-Erklärung vertrauen zu müssen. Das ist Grundlagenforschung: neue Rechenbausteine, jedoch kein Nachweis von 20 % Ersparnis für einen gesamten wissenschaftlichen Arbeitsablauf oder jede Anwendung.
Belege: [2]
Die Originalquellen
- Google DeepMindDiscovering novel algorithms with AlphaTensor
- Google DeepMindAlphaTensor: algorithms, verification notebooks and benchmarks