摘要：研究人员开发了一种称为扭矩聚类的新的AI算法，该算法显着改善了AI系统在没有人类指导的情况下独立学习和发现数据模式的方式。...

研究人员开发了一种称为扭矩聚类的新AI算法，它比当前方法更接近自然智能。它显着改善了AI系统在没有人类指导的情况下独立学习和发现数据模式的方式。

扭矩聚类可以有效，自主分析生物学，化学，天文学，心理学，金融和医学等领域的大量数据，从而揭示了诸如检测疾病模式，发现欺诈或理解行为之类的新见解。

“在本质上，动物通过观察，探索和与环境进行互动，没有明确的说明。下一波AI浪潮“无监督的学习”旨在模仿这种方法，”悉尼科技大学（UTS）的CT Lin教授说。

“几乎所有当前的AI技术都依赖'监督学习'，这是一种AI培训方法，它需要使用预定义的类别或值将大量数据标记为人类，以便AI可以做出预测并观察关系。

“监督学习有许多局限性。标记数据是昂贵的，耗时的，并且对于复杂或大规模的任务而言通常是不切实际的。相比之下，无监督的学习无需标记数据，发现数据集中的固有结构和模式。”

详细介绍扭矩聚类方法的论文，即通过快速查找质量和距离峰的自主聚类，刚刚发表在IEEE关于模式分析和机器智能的交易，在人工智能领域的主要日记。

扭矩聚类算法的表现优于传统的无监督学习方法，提供了潜在的范式转变。它是完全自主的，无参数的，并且可以处理具有出色计算效率的大型数据集。

它已在1,000个不同的数据集上进行了严格的测试，从而达到了平均调整后的共同信息（AMI）得分（量度集群结果）为97.7％。相比之下，其他最先进的方法仅在80％的范围内实现分数。

首先作者Jie Yang博士说：“设定扭矩聚类的是其在扭矩的物理概念中的基础，使其能够自主识别簇，并无缝地适应各种数据类型，具有不同的形状，密度和噪声程度。”

“当星系合并时引力相互作用的扭矩平衡的启发。它基于宇宙的两个自然特性：质量和距离。这种与物理学的联系增加了该方法具有科学意义的基本层。

杨博士说：“去年的诺贝尔物理学奖获得了基本发现，该发现能够通过人工神经网络进行监督的机器学习。无监督的机器学习 - 受扭矩原则的启发 - 有可能产生类似的影响。”

扭矩聚类可以通过帮助优化运动，控制和决策来支持通用人工智能的发展，尤其是在机器人和自主系统中。它旨在重新定义无监督学习的景观，为真正的自治AI铺平道路。开源代码已向研究人员提供。