Nem sok mindenre emlékszem az egyetemi tanulmányaimból, de arra igen, hogy lineáris algebrán tanított mátrixszorzás egy pepecselős, időigényes dolog. A számítógépek szerencsére ezt az embernél sokkal gyorsabban végzik, amire szükség is van, hiszen a műveletet rengetegszer kell elvégezni olyan hétköznapi feladatok során, mint a tömörítés, kép- vagy szövegfelismerés, vagy épp a grafikus felületek kirajzolása. A GPU-k kiemelkedően teljesítenek ezen a téren, köszönhetően annak, hogy a művelet remekül párhuzamosítható.
Az iskolákban is tanított módszer nyilvánvalóan nem a legjobb: azt 1969-ben Volker Strassen fedezte fel, és mostanáig nem is létezett használhatóbb. Strassen módszere jelentősen lecsökkenti a lépések számát: míg a tradicionális módszerrel két 4x4-es mátrix összeszorzása 64 lépésből áll, addig a matematikus által felírt képlettel ez 49 lépésből abszolválható.
Ezt a rekordot döntötte most meg a Google égisze alatt dolgozó DeepMind csapat AlphaTensor névre keresztelt neurális hálója. A projekt az AlphaGo-ból nőtte ki magát, méghozzá úgy, hogy ezt a problémát is egy egyszemélyes játékként kezelték. Ezt a képzeletbeli játékot játszotta az algoritmus újra és újra, és közben egyre jobb lett: előbb saját maga is felfedezte Strassen módszerét, majd tovább finomította azt, és 49-ről 47-re csökkentette a lépések számát. Ez önmagában nem hangzik hatalmas ugrásnak, de amikor brutális mátrixokon kell gyakorlatilag végtelenszer elvégezni a műveletet, akkor hosszútávon komoly ugrást jelentenek az ilyen apró fejlesztések is.
Nem sokkal azután azonban, hogy a DeepMind csapata publikálta a felfedezést (az 5x5-ös mátrixok esetén 98-ról 96-ra csökkentették a lépésszámot), máris elvették tőlük a rekordot: A linzi Johannes Kepler Egyetemen kutató Manuel Kauers és Jakob Moosbauer egészen 95-ig le tudtak menni. Az időzítés persze nem véletlen: a kutatók a DeepMind munkájára építve finomítottak a formulán, így sikerült tovább csökkenteni a műveletigényt és elhagyni egy szorzást.
