机器学习“元素周期表”显现了20多种经典算法是怎么衔接的。图片来自：美国麻省理工学院

  美国麻省理工学院团队创立了一个共同的机器学习“元素周期表”，它展现了超越20种经典机器学习算法之间的联络。这一结构提醒了科学家交融不同办法中的战略，将改善现有的AI模型或提出全新的模型，并进一步促进人工智能（AI）技能的开展和运用。

  化学中的元素周期表是依据元素原子核电荷数从小至大排序构建的列表。元素周期表能精确地猜测各元素的特性及其之间的联络，因而它在化学及其他科学领域中得到了广泛运用，是分析化学行为时很有用的结构。

  此次创立的AI结构则依据一个中心思维：所有这些算法都在学习数据点间的特定联络，虽然每种算法完成这一点的办法或许略有不同，但背面的中心数学原理是相通的。依据此，研究人员找到了一个一致的方程式，它是许多经典AI算法的根底。使用这个方程式，他们从头构建并排列了一些盛行的办法，依据它们学习到的数据点间的联络类型对每种办法来进行分类。

  例如，经过将两种不同算法的要害元素组合起来，团队开发出了一种新的图画分类算法，其性能比现有最先进的技能高出8%。这表明，这种机器学习“元素周期表”不只有助于了解现有算法之间的联络，还为发明更高效的算法供给了实践辅导。

  就像化学元素周期表开始留有空白等候未来科学家填充相同，这个机器学习的“元素周期表”中也存在一些空白区域，暗示着理论上应该存在但尚未被发现的算法。这些空白猜测了潜在的新算法方位，为人们供给了一个工具包，不必再重复探究曾经办法中已包括的概念，让规划新算法变得更高效。（记者张梦然）