解决业务，科学和技术中许多最重要问题的关键在于优化-查找可为您带来最大利益的变量的值。无论是购买哪些股票，返回哪些搜索结果，最能预测下届大选的结果，或将哪些氨基酸组合在抗疟疾或癌症的新药中，优化对于获得我们想要的东西至关重要。当问题很简单时，我们可以对计算机进行编程以解决问题。当它太复杂时，优化就是计算机自行找到解决方案的方式。

华盛顿大学的机器学习研究人员开发了一种全新的优化方法，部分方法是借鉴了人工智能和计算机科学的经典技术。在佩普- [R概述他们的做法赢得了最高奖在7月的24届人工智能国际联合会议，全球最大的人工智能会议。

在两个经过实验测试的应用中，新的UW方法在某些情况下的性能优于标准优化技术，甚至高出多个数量级。

“在某些方面，优化是您从未听说过的最重要的问题，因为它出现在科学，工程和商业的各个领域。但是，许多优化问题极难解决，因为它们具有大量以复杂方式相互作用的变量。” UW大学计算机科学与工程学教授Pedro Domingos说。

例如，假设您要教一台计算机通过检查单个像素来识别猫的图像。表示橙色，皮毛或胡须的像素会增加“是”的机会。尖尖的耳朵或爪子有助于确认。蓝色的羽毛强烈暗示没有。优化是加权这些变量的技巧和科学，因此机器会尽可能频繁地做出正确的选择。

UW优化算法(以其缩写RDIS闻名)逐渐将一个非常复杂的问题分解为更小，更易于管理的块-当问题包含“是或否”选择但以前未应用于时，通常使用的简单想法数字变量。RDIS可以识别变量，这些变量一旦设置为特定值，就可以将较大的问题分解为独立的子问题。通常，问题几乎都是独立的，但是RDIS限制了将它们视为完全独立而导致的错误。

“这种方法与人们以前的工作方式截然不同，并且也具有神奇的作用，可以成倍地更快地解决一些问题。只要您能做到，那便是您获得重大胜利的时候。”多明戈斯说。

UW团队在两个实际应用中针对领先的优化方法对RDIS进行了测试：确定折叠蛋白质的形状，并根据二维图像准确地构建三维对象和场景。

为了使机器人手臂能够进行手术或防止自动驾驶汽车坠毁，计算机必须将用作机器人“眼睛”的二维摄像头图像准确地映射到现实的三维空间中。UW团队的优化方法平均完成该任务的精度比以前的方法高出100,000到100亿倍。

“您需要最大程度地减少重建误差，即算法预测结果与图像实际显示结果之间的差异。威斯康星大学计算机科学与工程学博士生第一作者艾布拉姆·弗里森(Abram Friesen)说。“这对于无人驾驶汽车至关重要-为了安全地驾驶其环境，它首先需要能够确定靠近它的物体，道路和其他汽车的位置。”

研究人员还针对蛋白质折叠的其他优化技术对RDIS进行了测试。一串氨基酸(可以以数百万种不同模式出现的蛋白质构件)通常会折叠并扭曲成能量最低的形状。该构型很重要，因为它决定了蛋白质如何与病毒或入侵细胞或免疫系统其他部分相互作用。

使计算机能够准确预测蛋白质如何折叠，可以大大加快设计有效药物的过程。威斯康星大学的团队发现，其新的优化技术比其他方法产生的能量蛋白质形状低得多，特别是对于较大的蛋白质。

这是因为当前的优化方法随着问题变得越来越复杂而失败，Domingos说。解决优化问题就像被蒙住双眼放在山顶上，然后被要求步行到大海。做到这一点的一种方法是通过用脚感觉周围并在最陡峭的向下方向上迈出一步来判断要去哪里。如果只有一座小山，那行得通。但是，如果您位于喜马拉雅山的顶峰，您将很快陷入困境，因为那里有成千上万的山峰，山麓和平坦的地带。这实际上是当前优化算法所发生的情况。

多明戈斯说：“如果幸运的话，也许你会在海里发条，但更有可能会在山谷或湖中发条。” “如果可以看到整个景观，您会说'哦，这是我必须去的地方'，但是问题是您看不到任何地方，今天的算法也看不到。”

为了解决这些不足，UW二人组研究了如何将人工智能研究人员和难题求解器通常使用的分解技术应用于连续优化问题，这些问题一直以来都是工程师，应用数学家和物理学家的首选。

研究人员说，下一步是测试该算法在新的和不同的应用程序上的性能。“这几乎可以应用于任何机器学习问题，但这并不是说它将对每个机器学习问题都有好处，” Domingos说。“这就是我们必须努力并找出来的东西。”

标签： AI奖