显示计算机学习的数据是如何收集的图表。该程序从一个未被解读的立方体开始，标记为“0”，然后将其打乱一次，标记为“1”，依此类推。然后程序学习将这些标签附加到训练过程中没有看到的立方体上。信用:科林·约翰逊。诺丁汉大学副教授科林·约翰逊(Colin G. Johnson)最近开发了一种深度学习技术，可以从一组问题的样本解决方案中学习所谓的“适应度函数”。这项技术发表在Wiley's Expert Systems journal上的一篇论文中，最初是为了解决魔方而训练的，魔方是匈牙利雕塑家ernő·鲁比克发明的流行的三维组合拼图。进行这项研究的研究人员之一科林·g·约翰逊告诉TechXplore，“我们论文的目的是利用机器学习来学习解魔方。“魔方是一个非常复杂的谜题，但大量组合中的任何一个最多离解20步。因此，我们在这里采取的方法是，通过学习逐个执行这些步骤来尝试解决问题。”
约翰逊设计的技术基于两种主要方法:逐步学习和使用深度神经网络。当应用于魔方时，该技术试图一步一步地解读它，而不是学习一次求解整个魔方。换句话说，它试图移动它的部分来实现一个更简单的配置，重复这个步骤几次，直到立方体被解决。
约翰逊解释说:“程序不是试图学习如何求解整个立方体，而是学习如何把它变成一个更简单的配置，然后采用那个更简单的配置，以此类推，直到它被求解。“这种结构意味着解决方案的每一步都要容易得多。所以，我首先设计了一种方法，可以通过数千次的模拟来估计立方体有多混乱。”
Aiagram展示了研究人员开发的深度学习技术如何解决魔方问题。它从许多杂乱的立方体开始，然后找到它们的一些简化版本，然后是它们的一些简化版本，如此循环，直到找到解决方案。然后，它通过这些工作找到解决途径。信用:科林·约翰逊。在它估计出一个魔方有多庞杂之后，约翰逊创造的技术使用深度神经网络来识别一个离被解决一步之遥的魔方，然后是离被解决两步之遥，三步之遥，以此类推。最后，它使用积累的数据来求解立方体。
约翰逊评估了他在一系列实验中开发的技术，将其与以前开发的基于一类称为随机森林分类器的算法的方法、基于传统的基于误差的适应度的基线方法以及其他现有的计算技术进行了比较。他的深度学习技术与所有这些替代方法相比都很好，同时也突出了循序渐进地处理任务的优势。
到目前为止，约翰逊只使用了这种逐步学习技术来求解魔方，但它也可以应用于各种可以逐步解决的更复杂的问题。换句话说，魔方只是该技术可以解决的问题类型的一个简单例子。
约翰逊说:“考虑一个问题，比如消除旧录音(如蜡筒或早期留声机唱片)中的噪音。“我们需要消除不同种类的失真——回声、静态、变速——但每次录音都需要不同的策略。如果我们能了解什么是‘干净的录音’，‘稍微失真的录音’，‘稍微更失真的录音’是什么，那么我希望，我们能以这种逐步的方式解决这种问题。”
在未来，约翰逊在最近的论文中提出的逐步深入学习技术可以用来解决许多其他植根于科学和工程的问题。例如，它可以用来研究和更好地理解蛋白质在生物细胞内折叠的方式。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
