Hyperbolische meetkunde: de oplossing?

Het probleem ligt in de manier waarop AI-netwerken objecten classificeren. Waar mensen objecten intuïtief in hiërarchieën organiseren (bijvoorbeeld: appelboom → fruitboom → boom → levend organisme), doen AI-netwerken dit op een manier die vaak ondoorzichtig is. Deze classificaties bevinden zich in een 'latente ruimte', die doorgaans gemodelleerd is met Euclidische meetkunde. Deze aanpak schiet tekort bij het effectief omgaan met hiërarchische data.

Mettes stelt voor om hyperbolische meetkunde te integreren in deze netwerken, aangezien dit exponentieel groeit zoals natuurlijke hiërarchieën dat doen. Vroege onderzoeken laten al zien dat deep learning-modellen met hyperbolische meetkunde beter presteren bij complexe hiërarchische classificaties dan traditionele netwerken.

 

Deze doorbraak kan AI-toepassingen in bijvoorbeeld de biologie revolutioneren, waar gegevens over zeldzame soorten of moleculen schaars zijn. Ook wetenschappelijk onderzoek in de geneeskunde en chemie kan hiervan profiteren, net als taalmodellen zoals ChatGPT.