L'intelligenza artificiale impara a scrivere software di ordinamento da sola
Armando Solar-Lezama lavora presso il Computer Science & Artificial Intelligence Laboratory, Massachusetts Institute of Technology, Cambridge, Massachusetts 02139, USA.
Puoi anche cercare questo autore in PubMed Google Scholar
Per decenni, l’industria informatica si è basata sulla legge di Moore: man mano che i transistor diventavano sempre più piccoli, il numero che poteva essere stipato in un chip di computer sembrava raddoppiare ogni due anni, consentendo un simile balzo in avanti nella potenza di calcolo. Ma la legge di Moore ha un limite naturale, quindi l'ottimizzazione del software è diventata cruciale tanto quanto la miniaturizzazione. Scrivendo su Nature, Mankowitz et al.1 rivelano un ruolo chiave per il deep learning in questo processo, mostrando che il codice generato dall'intelligenza artificiale (AI) può migliorare l'efficienza con cui il linguaggio di programmazione C++ ordina gli elementi in un elenco. Anche se apparentemente banale, questo compito è necessario nei programmi per computer di tutto il mondo e la versione AI è ora integrata in un'implementazione ampiamente utilizzata della libreria C++. Forse ancora più notevole è che il sistema di intelligenza artificiale può migliorare il codice senza alcuna conoscenza preliminare del problema stesso.
Accedi a Nature e ad altre 54 riviste Nature Portfolio
Ottieni Nature+, il nostro abbonamento con accesso online dal miglior rapporto qualità-prezzo
$ 29,99 / 30 giorni
annullare in qualsiasi momento
Iscriviti a questo diario
Ricevi 51 numeri cartacei e accesso online
$ 199,00 all'anno
solo $ 3,90 per numero
Noleggia o acquista questo articolo
Ottieni solo questo articolo per tutto il tempo che ti serve
$ 39,95
I prezzi possono essere soggetti a tasse locali calcolate durante il checkout
Natura618, 240-241 (2023)
doi: https://doi.org/10.1038/d41586-023-01812-5
Mankowitz, DJ et al. Natura 618, 257–263 (2023).
Articolo Google Scholar
Bacon, DF, Graham, SL & Sharp, GU ACM Comput. Sopravv. 26, 345–420 (1994).
Articolo Google Scholar
Balaprakash, P. et al. Proc. IEEE 106, 2068–2083 (2018).
Articolo Google Scholar
Vuduc, RW in Encyclopedia of Parallel Computing (a cura di Padova, D.) 102–105 (Springer, 2011).
Google Scholar
Frigo, M. ACM SIGPLAN No. 34, 169–180 (1999).
Articolo Google Scholar
Whaley, RC, Petitet, A. & Dongarra, JJ Parallel Comput. 27, 3–35 (2001).
Articolo Google Scholar
Püschel, M. et al. Proc. IEEE 93, 232–275 (2005).
Articolo Google Scholar
Franchetti, F. & Püschel, M. Proc. interno Processo distribuito parallelo. Sintomo (IEEE, 2003).
Google Scholar
Alur, R. et al. in Metodi formali nella progettazione assistita da computer 2013 1–8 (IEEE, 2013).
Google Scholar
Barthe, G., Crespo, J. M., Gulwani, S., Kunz, C. & Brown, M. ACM SIGPLAN No. 48, 123–134 (2013).
Articolo Google Scholar
Schkufza, E., Sharma, R. & Aiken, A. in Proc. 18° Int. Conf. Architetto. Supporto per il programma. Lang. Opera. Sist. 305–316 (IEEE, 2013).
Google Scholar
Devlin, J. et al. nell'Proc. 34° Int. Conf. Mach. Imparare. vol. 70 (a cura di Precup, D. & Teh, YW) 990–998 (JMLR, 2017).
Google Scholar
Li, Y. et al. Scienza 378, 1092–1097 (2022).
Articolo PubMed Google Scholar
Ellis, K. et al. nell'Proc. 33a Inf. Neurale Processi. Sist. (a cura di Wallach, H., Larochelle, H., Beygelzimer, A., d'Alché-Buc, F. & Fox, EB) 9169–9178 (Curran Associates, 2019).
Google Scholar
Scarica riferimenti