AI导读：

麻省理工学院团队创新性地构建了一个机器学习“元素周期表”，揭示了超过20种经典机器学习算法间的内在联系，有望改进现有AI模型或开创全新模型，推动AI技术发展。通过结合算法关键元素，团队研发出性能超越现有技术的图像分类算法。

美国麻省理工学院团队创新性地构建了一个机器学习“元素周期表”，该表揭示了超过20种经典机器学习算法间的内在联系。这一开创性框架将助力科学家融合不同策略，有望改进现有AI模型或开创全新模型，从而进一步推动人工智能（AI）技术的发展与广泛应用。

化学领域的元素周期表，根据元素原子核电荷数排序，准确预测元素特性及关系，成为化学分析的重要工具。同样，AI框架基于算法学习数据点间特定关系的核心理念，尽管算法实现方式各异，但数学原理相通。研究人员发现统一方程式，作为众多经典AI算法基础，据此重新构建并分类流行方法。

通过结合两种算法的关键元素，团队成功研发出一种图像分类算法，性能超越现有最先进技术8%。这证明机器学习“元素周期表”不仅加深了对现有算法联系的理解，还为创造高效算法提供了切实指导。

如同化学元素周期表预留空白待未来发现，AI“元素周期表”也存在空白区域，预示着理论上存在但尚未发掘的算法。这些空白预示着潜在新算法，为研究人员提供工具箱，避免重复探索已知概念，使新算法设计更加高效。

（文章来源：科技日报）