Naukowcy opracowali szybszą metodę obliczania optymalnego transportu - matematycznego problemu coraz bardziej ważnego w sztucznej inteligencji i analizie danych. Nowa implementacja algorytmu Sinkhorn w domenie logarytmicznej wykorzystuje specjalistyczną akcelerację na procesorach GPU na poziomie warp, co znacznie przyspieszył dotychczasowe obliczenia. Ta praca ma znaczenie praktyczne, bo optymalny transport znajduje zastosowanie w uczeniu maszynowym, przetwarzaniu obrazów, analizie rozkładów danych, a coraz częściej też w generatywnych modelach AI.
Problem transportu optymalnego polega na znalezieniu najtańszego sposobu przesunięcia jednego rozkładu prawdopodobieństwa w drugi - przykładowo, jak najefektywniej przesunąć masy ziaren z magazynów do sklepów. W kontekście AI jest to ważne przy trenowaniu modeli difuzji, porównywaniu rozkładów generowanych przez AI z rzeczywistymi danymi, czy przy innych zaawansowanych metodach. Algorytm Sinkhorn to iteracyjna procedura, która rozwiązuje ten problem, ale wymagał dużych mocy obliczeniowych, szczególnie przy dużych zbiorach danych.
Nowe podejście wykorzystuje domenę logarytmiczną - zamiast operować na zwykłych liczbach, obliczenia prowadzą się na ich logarytmach, co zwiększa stabilność numeryczną i zmniejsza ryzyka błędów obliczeniowych. Dodatkowo, przenosząc obliczenia na GPU i optymalizując je na poziomie warp - najmniejszej jednostki równoległa na kartach graficznych NVIDIA - osiągnięto dramatyczne przyspieszenie. To oznacza, że algorytmy oparte na transporcie optymalnym staną się praktyczniejsze i szybsze, otwierając drzwi dla bardziej zaawansowanych zastosowań w budowaniu nowoczesnych modeli AI i analizie dużych zbiorów danych.