機器學習“元素周期表”顯示了20多種經典算法是如何連接的。圖片來源：美國麻省理工學院

美國麻省理工學院團隊創建了一個獨特的機器學習“元素周期表”，它展示了超過20種經典機器學習算法之間的聯系。這一框架揭示了科學家融合不同方法中的策略，將改進現有的AI模型或提出全新的模型，並進一步促進人工智能（AI）技術的發展和應用。

化學中的元素周期表是根據元素原子核電荷數從小至大排序構建的列表。元素周期表能准確地預測各元素的特性及其之間的關系，因此它在化學及其他科學范疇中得到了廣泛使用，是分析化學行為時非常有用的框架。

此次創建的AI框架則基於一個核心思想：所有這些算法都在學習數據點間的特定關系，盡管每種算法實現這一點的方式可能略有不同，但背后的核心數學原理是相通的。基於此，研究人員找到了一個統一的方程式，它是許多經典AI算法的基礎。利用這個方程式，他們重新構建並排列了一些流行的方法，根據它們學習到的數據點間的關系類型對每種方法進行分類。

例如，通過將兩種不同算法的關鍵元素組合起來，團隊開發出了一種新的圖像分類算法，其性能比現有最先進的技術高出8%。這表明，這種機器學習“元素周期表”不僅有助於理解現有算法之間的聯系，還為創造更高效的算法提供了實際指導。

就像化學元素周期表最初留有空白等待未來科學家填充一樣，這個機器學習的“元素周期表”中也存在一些空白區域，暗示著理論上應該存在但尚未被發現的算法。這些空白預測了潛在的新算法位置，為人們提供了一個工具包，不用再重復探索以前方法中已涵蓋的概念，讓設計新算法變得更加高效。（記者張夢然）

分享讓更多人看到