新架構(gòu)Mamba更新二代！作者：別爭(zhēng)了，數(shù)學(xué)上Transformer和SSM是一回事

夢(mèng)晨 2024-06-04 12:55:29 來(lái)源：量子位

夢(mèng)晨 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

Transformer挑戰(zhàn)者、新架構(gòu)Mamba，剛剛更新了第二代：

Mamba-2，狀態(tài)空間擴(kuò)大8倍，訓(xùn)練速度提高50%！

更重要的是，團(tuán)隊(duì)研究發(fā)現(xiàn)原來(lái)Transformer和狀態(tài)空間模型（SSM）竟然是近親？？

兩大主流序列建模架構(gòu)，在此統(tǒng)一了。

沒(méi)錯(cuò)，這篇論文的提出的重磅發(fā)現(xiàn)：Transformer中的注意力機(jī)制與SSM存在著非常緊密的數(shù)學(xué)聯(lián)系。

團(tuán)隊(duì)通過(guò)提出一個(gè)叫結(jié)構(gòu)化狀態(tài)空間二元性（Structured State Space Duality，SSD）的理論框架，把這兩大模型家族統(tǒng)一了起來(lái)。

Mamba一代論文年初被ICLR拒稿，當(dāng)時(shí)還讓許多學(xué)者集體破防，引起一陣熱議。

這次二代論文在理論和實(shí)驗(yàn)上都更豐富了，成功入選ICML 2024。

作者依然是Albert Gu和Tri Dao兩位。

他們透露，論文題目中“Transformers are SSMs”是致敬了4年前的線性注意力經(jīng)典論文“Transformers are RNNs”。

那么，SSM和注意力機(jī)制究竟是怎么聯(lián)系起來(lái)的，Mamba-2模型層面又做出哪些改進(jìn)？

統(tǒng)一SSM和注意力機(jī)制

Transformer的核心組件是注意力機(jī)制，SSM模型的核心則是一個(gè)線性時(shí)變系統(tǒng)。

兩者看似不相關(guān)，但論文指出：它們都可以表示成可半分離矩陣（Semiseparable Matrices）的變換。

先從SSM的視角來(lái)看。

SSM本身就定義了一個(gè)線性映射，恰好對(duì)應(yīng)了一個(gè)半可分離矩陣。

半可分離矩陣有著特殊的低秩結(jié)構(gòu)，這種結(jié)構(gòu)又恰好對(duì)應(yīng)了SSM模型中的狀態(tài)變量。

于是，矩陣乘法就相當(dāng)于SSM的線性時(shí)變系統(tǒng)了。帶選擇性的SSM本質(zhì)上就是一種廣義線性注意力機(jī)制。

從注意力的視角看又如何？

團(tuán)隊(duì)試圖以更抽象方式來(lái)刻畫(huà)注意力機(jī)制的本質(zhì)，畢竟“Softmax自注意力”只是眾多可能形式中的一種。

更一般地，任意帶掩碼的注意力機(jī)制，都可以表示為4個(gè)張量的縮并(Contraction)。

其中QKV對(duì)應(yīng)注意力中的query，key，value，L對(duì)應(yīng)掩碼矩陣。

借助這一聯(lián)系，它們?cè)诰€性注意力的基礎(chǔ)上提出了結(jié)構(gòu)化掩碼注意力SMA（Structured Masked Attention）。

當(dāng)注意力的掩碼矩陣是半可分離的，就與SSM等價(jià)了。

基于這個(gè)發(fā)現(xiàn)，作者進(jìn)一步推導(dǎo)出兩種等價(jià)的計(jì)算形式，這就是本文核心思想”狀態(tài)空間二元性”SSD的由來(lái)。

Mamba-2：更強(qiáng)學(xué)習(xí)能力，更快訓(xùn)練推理

基于SSD思想的新算法，Mamba-2支持更大的狀態(tài)維度（從16擴(kuò)大到256），從而學(xué)習(xí)更強(qiáng)的表示能力。

新方法基于塊分解矩陣乘法，利用了GPU的存儲(chǔ)層次結(jié)構(gòu)，提高訓(xùn)練速度。

架構(gòu)設(shè)計(jì)上，Mamba-2簡(jiǎn)化了塊的設(shè)計(jì)，同時(shí)受注意力啟發(fā)做出一些改動(dòng)，借鑒多頭注意力創(chuàng)建了多輸入SSM。

有了與注意力之間的聯(lián)系，SSD還可以輕松將Transformer架構(gòu)多年來(lái)積累起來(lái)的優(yōu)化方法引入SSM。

比如引入張量并行和序列并行，擴(kuò)展到更大的模型和更長(zhǎng)的序列。

又比如引入可變序列長(zhǎng)度，以實(shí)現(xiàn)更快的微調(diào)和推理。

Mamba-2的SSD層比Mamba-1中的關(guān)聯(lián)掃描快很多，使團(tuán)隊(duì)能夠增加狀態(tài)維度并提高模型質(zhì)量。

實(shí)驗(yàn)中，3B參數(shù)規(guī)模的Mamba-2，在300B tokens訓(xùn)練，超越了相同規(guī)模的Mamba-1和Transformer。

Mamba-2在需要更大狀態(tài)容量的任務(wù)上比Mamba-1有了顯著改進(jìn)，例如硬關(guān)聯(lián)召回任務(wù)?(MQAR)。

團(tuán)隊(duì)還對(duì)Mamba-2+注意力的混合架構(gòu)模型做了一些實(shí)驗(yàn)。發(fā)現(xiàn)4-6個(gè)注意力層與Mamba-2層混合模型的性能，甚至優(yōu)于Transformer++（原版結(jié)構(gòu)+現(xiàn)代最佳實(shí)踐）和純Mamba-2。

作者Tri Dao認(rèn)為，這說(shuō)明了Attention和SSM兩種機(jī)制可以互為補(bǔ)充，另外他還提出了對(duì)未來(lái)研究方向的思考。

最后，除了52頁(yè)的論文之外，兩位作者還撰寫了四篇更易讀的系列博客文章。

他們特別建議：先看博客，再看論文。

對(duì)Mamba-2模型或者狀態(tài)空間二元性理論感興趣的，可以讀起來(lái)了～

博客（兩個(gè)地址內(nèi)容一樣）：
https://tridao.me/blog/
https://goombalab.github.io/blog/

論文：
https://arxiv.org/abs/2405.21060

代碼和模型權(quán)重：
https://github.com/state-spaces/mamba

參考鏈接：
[1]https://x.com/_albertgu/status/1797651240396144758
[2]https://x.com/tri_dao/status/1797650443218436165