详细内容或原文请订阅后点击阅览
用户友好的系统可以帮助开发人员构建更高效的模拟和 AI 模型
通过自动生成利用两种数据冗余的代码，系统可以节省带宽、内存和计算。
来源:MIT新闻 - 人工智能医学图像处理和语音识别等应用中使用的神经网络人工智能模型对极其复杂的数据结构执行操作，需要大量计算才能处理。这是深度学习模型消耗大量能源的原因之一。
为了提高人工智能模型的效率，麻省理工学院的研究人员创建了一个自动化系统，使深度学习算法的开发人员能够同时利用两种类型的数据冗余。这减少了机器学习操作所需的计算量、带宽和内存存储量。
现有的算法优化技术可能很麻烦，通常只允许开发人员利用稀疏性或对称性——深度学习数据结构中存在的两种不同类型的冗余。
通过让开发人员从头开始构建一个同时利用两种冗余的算法，麻省理工学院研究人员的方法在一些实验中将计算速度提高了近 30 倍。
由于该系统使用用户友好的编程语言，它可以优化机器学习算法，以适应广泛的应用。该系统还可以帮助那些不是深度学习专家但想提高他们用来处理数据的人工智能算法效率的科学家。此外，该系统还可以应用于科学计算。
“长期以来，捕获这些数据冗余需要大量的实施工作。相反，科学家可以以更抽象的方式告诉我们的系统他们想要计算什么，而不用告诉系统如何计算，”麻省理工学院博士后 Willow Ahrens 说道，他是该系统论文的合著者，该论文将在国际代码生成和优化研讨会上发表。
系统论文减少计算
减少计算同时优化
同时优化最后，SySTeC 生成可立即使用的代码。