- -
UPV
 
12/12/22
Noticia
Charla: AlphaTensor: Descubriendo algoritmos de multiplicación de matrices usando aprendizaje por refuerzo

Mejorar la eficiencia de los algoritmos para tareas computacionales fundamentales, como la multiplicación de matrices, puede tener un enorme impacto, ya que afecta la velocidad de una gran cantidad de aplicaciones. El descubrimiento automático de algoritmos mediante Machine Learning ofrece la posibilidad de ir más allá de la intuición humana y de superar a los mejores algoritmos actuales.

Día: 15 de diciembre de 2022
Hora: 12:30
Lugar: Salón de Actos de la ETSINF
Organiza: Instituto VRAIN, Fundación VALGRAI

Ponente: Bernardino Romera (Research Scientist, Google DeepMind)

En esta charla se presentará AlphaTensor, el agente de aprendizaje por refuerzo basado en AlphaZero para descubrir algoritmos eficientes y demostrablemente correctos para la multiplicación de matrices arbitrarias. AlphaTensor descubrió algoritmos que superan la complejidad de los mejores algoritmos hasta la fecha para muchos tamaños de matrices. Particularmente relevante es el caso de matrices de 4 × 4 en un campo finito, donde el algoritmo de AlphaTensor mejora el algoritmo de dos niveles de Strassen por primera vez desde su descubrimiento hace 50 años. Se presentará cómo se ha transformado la tarea de descubrir algoritmos de este tipo en un juego tipo solitario que AlphaTensor puede aprender a jugar y despuntar, superando nuevos niveles.

Sobre el ponente:

Bernardino Romera realizó sus estudios de Ingeniería Informática en la Universidad de Murcia en los años 2004 a 2009, cursando después el máster Computational Statistics and Machine Learning en la University College London. A finales de 2010 empezó el doctorado en la misma universidad investigando sobre aprendizaje multi-tarea y descomposición de tensores, y durante el cual, hizo una internship en Microsoft Research en Redmond. Tras acabar el doctorado, se unió al Torr Vision Group de la Universidad de Oxford como postdoctorado, investigando sobre segmentación semántica con redes neuronales profundas y zero-shot learning. En 2016, Bernardino empezó a trabajar en DeepMind, donde se ha centrado en usar técnicas de IA en varios campos: primero en aplicaciones médicas, después en el problema del plegamiento de proteínas, y más recientemente, en la exploración de algoritmos para multiplicar matrices. Tiene varias publicaciones en Nature y también en conferencias de machine learning destacadas, como NeurIPS y ICML. Su principal motivación es utilizar la IA para iluminar soluciones a problemas científicos de calado.

 

 


EMAS upv