KI wetenskaplike navorsing: Masjienleer se ware doel

• Author:
• Author naam

  Quantumrun Foresight
• Mag 11, 2023

Die ontwikkeling van hipoteses is tradisioneel beskou as 'n uitsluitlik menslike aktiwiteit, aangesien dit kreatiwiteit, intuïsie en kritiese denke vereis. Met tegnologiese vooruitgang wend wetenskaplikes egter toenemend tot masjienleer (ML) om nuwe ontdekkings te genereer. Algoritmes kan groot hoeveelhede data vinnig ontleed en patrone identifiseer wat mense dalk nie kan sien nie.

Konteks

Eerder as om af te hang van menslike vooropvattings, het navorsers neurale netwerk ML-algoritmes gekonstrueer met 'n ontwerp wat deur die menslike brein geïnspireer is, wat nuwe hipoteses voorstel gebaseer op datapatrone. Gevolglik kan baie gebiede binnekort na ML wend om wetenskaplike ontdekking te versnel en menslike vooroordele te verminder. In die geval van onontginde batterymateriaal, het wetenskaplikes tradisioneel staatgemaak op databasissoektegnieke, modellering en hul chemiese sin om lewensvatbare molekules te identifiseer. 'n Span van die UK-gebaseerde Universiteit van Liverpool het ML in diens geneem om die kreatiewe proses te vereenvoudig. 

Eerstens het die navorsers 'n neurale netwerk geskep wat chemiese kombinasies geprioritiseer het op grond van hul waarskynlikheid om 'n waardevolle nuwe materiaal te produseer. Die wetenskaplikes het toe hierdie ranglys gebruik om hul laboratoriumstudies te rig. Gevolglik het hulle vier lewensvatbare batterymateriaalkeuses gevind sonder om alles op hul lys te toets, wat hulle maande se beproewing en fout gespaar het. Nuwe materiaal is nie die enigste veld waar ML navorsing kan help nie. Navorsers gebruik ook neurale netwerke om meer beduidende tegnologiese en teoretiese probleme op te los. Byvoorbeeld, 'n fisikus by Zürich se Instituut vir Teoretiese Fisika, Renato Renner, hoop om 'n samehangende verduideliking te ontwikkel van hoe die wêreld werk met behulp van ML. 

Boonop laat meer gesofistikeerde generatiewe KI-modelle soos OpenAI se ChatGPT navorsers toe om outomaties nuwe data, modelle en hipoteses te genereer. Hierdie prestasie word bereik deur tegnieke soos generatiewe teenstandersnetwerke (GAN's), variasie-outo-enkodeerders (VAE's) en transformator-gebaseerde taalmodelle (soos Generative Pre-trained Transformer-3 of GPT-3). Hierdie KI-modelle kan gebruik word om sintetiese datastelle te genereer, nuwe ML-argitekture te ontwerp en te optimaliseer, en nuwe wetenskaplike hipoteses te ontwikkel deur patrone en verwantskappe in data te identifiseer wat voorheen onbekend was.

Ontwrigtende impak

Wetenskaplikes kan toenemend generatiewe KI gebruik om navorsing te help. Met die vermoë om patrone te analiseer en uitkomste te voorspel gebaseer op daardie kennis, kan hierdie modelle komplekse teorieë van wetenskap oplos wat deur die mensdom onopgelos gebly het. Dit sal nie net tyd en geld bespaar nie, maar dit sal ook die menslike begrip van wetenskap help om ver buite sy huidige grense te strek. 

’n Navorsings- en ontwikkelingsonderneming (N&O) sal dit waarskynlik makliker vind om toepaslike befondsing in te samel omdat ML data vinniger kan verwerk. Gevolglik sal wetenskaplikes meer hulp soek deur nuwe werknemers aan te stel of met bekende besighede en maatskappye saam te werk om beter resultate te lewer. Die algehele impak van hierdie belangstelling sal positief wees, nie net vir wetenskaplike vooruitgang nie, maar ook vir professionele persone binne die wetenskaplike velde. 

'n Potensiële padblokkade is egter dat oplossings van hierdie aanpasbare modelle dikwels uitdagend is vir mense om te begryp, veral die betrokke redenasie. As gevolg van die masjiene wat net antwoorde gee en nie die rede agter die oplossing verduidelik nie, kan wetenskaplikes onseker bly oor die proses en gevolgtrekking. Hierdie onduidelikheid verswak vertroue in die resultate en verminder die aantal neurale netwerke wat kan help met ontleding. Daarom sal dit vir navorsers nodig wees om 'n model te ontwikkel wat homself kan verklaar.

Implikasies van KI wetenskaplike navorsing

Wyer implikasies van KI wetenskaplike navorsing kan die volgende insluit:

• Veranderinge in outeurskapstandaarde vir navorsingsartikels, insluitend die gee van intellektuele eiendomskrediet aan KI. Net so word KI-stelsels eendag as potensiële Nobelprys-ontvangers toegeken, wat intense debatte kan veroorsaak oor die vraag of hierdie algoritmes as uitvinders erken moet word.
• KI-gegenereerde navorsing kan lei tot nuwe vorme van aanspreeklikheid en verdere regs- en etiese vrae wat verband hou met die gebruik van KI en outonome stelsels in wetenskaplike ontdekkings.
• Wetenskaplikes werk met verskeie generatiewe KI-instrumente om mediese ontwikkelings en toetsing te bespoedig.
• Toenemende energieverbruik wat veroorsaak word deur die hoë rekenaarkrag wat nodig is om hierdie uitgebreide algoritmes uit te voer.
• Toekomstige wetenskaplikes word opgelei om KI en ander ML-instrumente in hul werkvloei te gebruik.
• Regerings skep globale standaarde oor die beperkings en vereistes van die uitvoer van KI-gegenereerde wetenskaplike eksperimente.

Vrae om te oorweeg

• As jy 'n wetenskaplike is, hoe beplan jou instelling of laboratorium om KI-gesteunde navorsing in te sluit?
• Hoe dink jy sal KI-gegenereerde navorsing die arbeidsmark vir wetenskaplikes en navorsers beïnvloed?