کالین جی جانسون، دانشیار دانشگاه ناتینگهام یک الگوریتم یادگیری عمیق ایجاد کرده که اصطلاحاً می‌تواند عملکرد تناسب اندام را از مجموعه راه حل‌های نمونه‌ی یک مسئله یاد بگیرد. این روش که در مقاله‌ای در مجله Wiley’s Expert Systems ارائه شده در ابتدا برای حل معمای محبوب 3 ترکیبی یعنی مکعب روبیک که توسط ارنو روبیک مجسمه ساز مجارستانی اختراع شده آموزش دیده بود.
جانسون، محقق اصلی این تحقیقات به TechXplore گفت : هدف تحقیقات ما استفاده از علم یادگیری ماشین برای یادگیری و حل مکعب روبیک با استفاده از هوش مصنوعی بود. مکعب روبیک یک معمای بسیار پیچیده است، اما پیچیده‌ترین حالت ترکیب آن حداکثر 20 مرحله با راه حل فاصله دارد. بنابراین رویکردی که ما در این تحقیق دنبال کردیم این بود که با آموزش انجام هر یک از مراحل به صورت جداگانه به الگوریتم مسئله را حل کنیم.
تکنیک ابداع شده توسط جانسون مبتنی بر دو رویکرد اصلی است : یادگیری گام به گام و استفاده از یک شبکه عصبی عمیق. وقتی این دو رویکرد به صورت همزمان روی مکعب روبیک اعمال می‌شود، سیستم به جای اینکه یاد بگیرد معما را یکباره حل کند سعی می‌کند مرحله به مرحله آن را حل کند. به عبارت دیگر، سیستم برای تغییر بخش‌های خود جهت دستیابی به پیکربندی ساده تر تلاش می‌کند، در نهایت سیستم این مرحله را چندین و چند بار تکرار می‌کند تا زمانی که مکعب حل شود.
جانسون می‌گوید : به جای اینکه برنامه بخواهد نحوه حل کل مکعب را بیاموزد، می‌آموزد که چگونه آن را به یک پیکربندی ساده‌تر برساند، سپس آن مرحله از پیکربندی ساده شده را انجام می‌دهد و به همین ترتیب ادامه می‌دهد تا زمانی که مکعب به صورت کامل حل شود. این ساختار به این معنی است که راه حل هر مرحله بسیار ساده‌تر و راحت تر خواهد بود. بنابراین ما ابتدا روشی را طراحی کردیم که می‌تواند هزاران بار شبیه سازی به هم ریختن مکعب و چگونگی آشفتگی آن را محاسبه و برآورد کند.
بعد از اینکه سیستم تخمین زد که مکعب روبیک چگونه بهم ریخته است، الگوریتم ایجاد شده توسط جانسون با استفاده از یک شبکه عصبی عمیق مکعبی را تشخیص می‌دهد که یک قدم تا حل شدن فاصله دارد، سپس دو قدم تا حل شدن و سه و … فاصله دارد. سرانجام از داده‌های جمع‌آوری شده برای حل مکعب استفاده می‌کند.
جانسون الگوریتمی را که توسعه داده بود ارزیابی کرد و آن را با سیستم توسعه یافته قبلی به نام طبقه‌بندی کننده تصادفی که بر روش پایه مبتنی بر تناسب خطای سنتی و سایر تکنیک‌های محاسباتی استوار است مقایسه کرد. در نهایت تکنیک یادگیری عمیق او در مقایسه با روش سنتی نتایج مطلوبی بدست آورد و مزایای برخورد با مشکلات به صورت مرحله به مرحله را برجسته کرد.
تاکنون جانسون فقط از روش یادگیری گام به گام برای حل مکعب روبیک استفاده کرده است اما شکی وجود ندارد که این سیستم می‌تواند برای حل گام به گام طیف وسیعی از مشکلات پیچیده‌تر قابل استفاده باشد. به عبارت دیگر مکعب روبیک صرفاً یک نمونه ساده از انواع مشکلاتی است که این الگوریتم می‌تواند آن را برطرف کند.
جانسون گفت : در مورد مشكلی مانند از بین بردن نویز در استوانه موم یا صفحه گرامافون ضبط شده قدیمی فكر كنید. ما باید انواع مختلفی از اعوجاج را حذف کنیم. اکو، استاتیک، سرعت های متغیر و … . امیدوارم بتوانیم این نوع از مشکلات را به روش گام به گام حل کنیم.
در آینده روش یادگیری عمیق گام به گام ارائه شده در مقاله جانسون می‌تواند برای حل بسیاری از مشکلات دیگر در زمینه‌های مختلف علم و مهندسی مورد استفاده قرار گیرد. به عنوان مثال می‌توان از آن برای بررسی و درک بهتر روش‌های جمع شدن پروتئین‌ها در داخل سلول‌های بیولوژیکی استفاده کرد.
