Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind5. Oktober 2022 · Q002536

Discovering novel algorithms with AlphaTensor

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt AlphaTensor vor, das per bestärkendem Lernen effiziente Matrixmultiplikationsalgorithmen entdeckt. Genannt werden unter anderem ein Verfahren mit 76 statt 80 Multiplikationen für eine bestimmte Matrixgröße sowie auf zwei konkrete Hardwaretypen zugeschnittene Algorithmen, die dort laut Beitrag 10 bis 20 Prozent schneller waren. Weitergehende Anwendungen und Optimierungsziele wie Energieverbrauch werden als Möglichkeiten beschrieben; die Ergebnisse beziehen sich auf Matrixmultiplikation.

Mittel

Der Bericht beschreibt AlphaTensor, ein DeepMind-System, das mit bestärkendem Lernen neue effiziente und laut den Autorinnen und Autoren nachweislich korrekte Matrixmultiplikationsalgorithmen sucht. Dafür wird das Problem als Einzelspieler-Spiel formuliert: Ein Agent verändert einen dreidimensionalen Tensor, bis dieser null ist; die Zahl der Schritte misst die Effizienz. Wegen des enormen Suchraums kombinieren die Forschenden eine angepasste neuronale Architektur mit synthetischen Daten und der Nutzung von Symmetrien.

AlphaTensor habe bekannte Verfahren wie Strassens Algorithmus wiederentdeckt und anschließend neue gefunden. Für eine 4×5- mal 5×5-Multiplikation nennt der Beitrag eine Verringerung von 80 auf 76 Multiplikationen gegenüber dem zuvor besten menschlichen Verfahren. Außerdem sei Strassens zweistufiger Algorithmus in einem endlichen Körper verbessert worden. Für Nvidia V100 und Google TPU v2 entwickelte das System auf die jeweilige Hardware abgestimmte Verfahren, die laut Bericht große Matrizen 10 bis 20 Prozent schneller multiplizierten als die dort üblichen Algorithmen.

Die Ergebnisse könnten Forschung zur Rechenkomplexität und Anwendungen wie Grafik, Kommunikation oder wissenschaftlichem Rechnen unterstützen. Optimierung nach Energieverbrauch oder numerischer Stabilität wird als mögliche spätere Richtung genannt. Belegt werden hier Ergebnisse zur Matrixmultiplikation; weitergehende Anwendungen bleiben eine Aussicht.

Ausführlich lesen

Der Bericht stellt AlphaTensor vor, ein KI-System von DeepMind zur automatischen Entdeckung effizienter und nachweislich korrekter Algorithmen für Matrixmultiplikation. Die Autorinnen und Autoren ordnen die Arbeit als erste Erweiterung von AlphaZero auf mathematische Forschung ein. Matrixmultiplikation ist laut Bericht eine grundlegende Rechenoperation, die unter anderem in Grafik, Kommunikation, neuronalen Netzen und wissenschaftlichen Simulationen eingesetzt wird. Deshalb könnten schon kleinere Effizienzgewinne praktische Auswirkungen haben.

Als Hintergrund beschreibt der Beitrag Strassens Algorithmus von 1969: Für zwei 2×2-Matrizen benötigt er sieben statt der acht Multiplikationen des Standardverfahrens. Trotz jahrzehntelanger Forschung seien Fragen zu noch effizienteren Verfahren offen geblieben, sogar für Matrizen der Größe 3×3.

AlphaTensor übersetzt die Suche in ein Einzelspieler-Spiel. Der Spielzustand ist ein dreidimensionaler Tensor, der darstellt, was an einem Algorithmus noch fehlt. Zulässige Züge entsprechen Rechenanweisungen; wer den Tensor auf null bringt, erhält einen korrekten Matrixmultiplikationsalgorithmus. Die Zahl der benötigten Schritte dient als Effizienzmaß. Der Bericht betont, dass der Suchraum extrem groß ist und in einem betrachteten Fall mehr als 10³³ mögliche Züge pro Schritt umfasst. Um die Suche zu bewältigen, entwickelten die Forschenden unter anderem eine angepasste neuronale Architektur, synthetische Trainingsdaten und ein Verfahren, das Symmetrien ausnutzt. Ein mit bestärkendem Lernen trainierter Agent begann demnach ohne Wissen über bekannte Verfahren, lernte historische Algorithmen wie den von Strassen wieder und fand schließlich neue Varianten.

Als Beispiel nennt der Beitrag die Multiplikation einer 4×5- mit einer 5×5-Matrix: Die übliche Methode benötige 100 Multiplikationen; ein zuvor von Menschen erreichter Wert von 80 werde durch einen AlphaTensor-Algorithmus auf 76 gesenkt. Außerdem habe AlphaTensor Strassens zweistufigen Algorithmus in einem endlichen Körper erstmals seit dessen Entdeckung verbessert. Das System fand laut Bericht für einzelne Größen teils Tausende Algorithmen mit vergleichbarer Komplexität. Für Nvidia-V100-GPUs und Google-TPU-v2-Hardware wurden gezielt auf Laufzeit optimierte Algorithmen gesucht; diese hätten große Matrizen auf der jeweiligen Hardware 10 bis 20 Prozent schneller multipliziert als die dort üblichen Verfahren.

Der Bericht sieht darin mögliche Beiträge zur Komplexitätstheorie und zu effizienteren Berechnungen in Anwendungsfeldern, die Matrixmultiplikation verwenden. Künftige Suchziele könnten auch Energieverbrauch oder numerische Stabilität sein. Diese weiterreichenden Wirkungen werden als Möglichkeiten und Hoffnungen beschrieben, nicht als bereits nachgewiesene Ergebnisse. Der dargestellte Versuch konzentriert sich auf Matrixmultiplikation; die Geschwindigkeitsangaben beziehen sich auf die genannten Hardwaretypen und Vergleiche. Der Beitrag legt keine umfassenden Ergebnisse für andere Aufgaben, Plattformen oder Einsatzbedingungen vor.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat den Bericht im Wesentlichen treu wiedergegeben, ohne erfundene Angaben. Es fehlen vor allem der Bezug zu AlphaZero, die Veröffentlichung in Nature und der historische Kontext um Strassen. Die Einordnung stützt sich auf den Bericht, der beide Sammelfragen nur am Rande berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Grundlage AlphaZero und die Einordnung als erstes KI-System für solche Algorithmenentdeckung
  • Die Veröffentlichung in Nature
  • Strassen 1969 und die seit rund 50 Jahren offene Frage nach effizienter Matrixmultiplikation
  • Die Aussage, dass die KI-Algorithmen für viele Matrixgrößen besser sind als der Stand der Technik und menschlich entworfene Verfahren übertreffen
  • Die Vielfalt: teils tausende Algorithmen pro Größe mit gleicher Komplexität

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 26 %Hintergrund, keine Belege
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 52 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 23 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →