Ymchwil wyddonol AI: Gwir bwrpas dysgu peiriant

• Awdur:
• enw awdur

  Rhagolwg Quantumrun
• Efallai y 11, 2023

Yn draddodiadol, mae datblygu damcaniaethau wedi'i ystyried yn weithgaredd dynol yn unig, gan fod angen creadigrwydd, greddf a meddwl beirniadol. Fodd bynnag, gyda datblygiadau technolegol, mae gwyddonwyr yn troi fwyfwy at ddysgu peirianyddol (ML) i gynhyrchu darganfyddiadau newydd. Gall algorithmau ddadansoddi symiau mawr o ddata yn gyflym a nodi patrymau na all bodau dynol eu gweld o bosibl.

Cyd-destun

Yn hytrach na dibynnu ar ragdybiaethau dynol, mae ymchwilwyr wedi adeiladu algorithmau ML rhwydwaith niwral gyda dyluniad wedi'i ysbrydoli gan yr ymennydd dynol, gan awgrymu rhagdybiaethau newydd yn seiliedig ar batrymau data. O ganlyniad, efallai y bydd llawer o feysydd yn troi at ML yn fuan i gyflymu darganfyddiadau gwyddonol a lleihau rhagfarnau dynol. Yn achos deunyddiau batri heb eu harchwilio, mae gwyddonwyr yn draddodiadol wedi dibynnu ar dechnegau chwilio cronfa ddata, modelu, a'u synnwyr cemegol i nodi moleciwlau hyfyw. Cyflogodd tîm o Brifysgol Lerpwl yn y DU ML i symleiddio'r broses greadigol. 

Yn gyntaf, creodd yr ymchwilwyr rwydwaith niwral a oedd yn blaenoriaethu cyfuniadau cemegol yn seiliedig ar eu tebygolrwydd o gynhyrchu deunydd newydd gwerthfawr. Yna defnyddiodd y gwyddonwyr y safleoedd hyn i arwain eu hastudiaethau labordy. O ganlyniad, daethant o hyd i bedwar dewis deunydd batri hyfyw heb brofi popeth ar eu rhestr, gan arbed misoedd o brofi a methu. Nid deunyddiau newydd yw'r unig faes lle gall ML gynorthwyo ymchwil. Mae ymchwilwyr hefyd yn defnyddio rhwydweithiau niwral i ddatrys pryderon technolegol a damcaniaethol mwy arwyddocaol. Er enghraifft, mae ffisegydd yn Sefydliad Ffiseg Ddamcaniaethol Zurich, Renato Renner, yn gobeithio datblygu esboniad cydlynol o sut mae'r byd yn gweithio gan ddefnyddio ML. 

Yn ogystal, mae modelau AI cynhyrchiol mwy soffistigedig fel ChatGPT OpenAI yn caniatáu i ymchwilwyr gynhyrchu data, modelau a damcaniaethau newydd yn awtomatig. Cyflawnir y gamp hon trwy dechnegau fel rhwydweithiau gwrthwynebol cynhyrchiol (GANs), awto-godyddion amrywiadol (VAEs), a modelau iaith sy'n seiliedig ar drawsnewidyddion (fel Transformer-3 wedi'i hyfforddi ymlaen llaw Generative neu GPT-3). Gellir defnyddio'r modelau AI hyn i gynhyrchu setiau data synthetig, dylunio a gwneud y gorau o saernïaeth ML newydd, a datblygu damcaniaethau gwyddonol newydd trwy nodi patrymau a pherthnasoedd mewn data nad oedd yn hysbys o'r blaen.

Effaith aflonyddgar

Gall gwyddonwyr ddefnyddio AI cynhyrchiol yn gynyddol i gynorthwyo gydag ymchwil. Gyda'r gallu i ddadansoddi patrymau a rhagfynegi canlyniadau yn seiliedig ar y wybodaeth honno, gallai'r modelau hyn ddatrys damcaniaethau cymhleth am wyddoniaeth sydd heb eu datrys gan ddynolryw. Nid yn unig y bydd hyn yn arbed amser ac arian, ond bydd hefyd yn helpu'r ddealltwriaeth ddynol o wyddoniaeth i ymestyn ymhell y tu hwnt i'w ffiniau presennol. 

Mae'n debygol y bydd menter ymchwil a datblygu yn ei chael hi'n haws casglu cyllid priodol oherwydd gall ML brosesu data'n gyflymach. O ganlyniad, bydd gwyddonwyr yn ceisio mwy o gymorth trwy gyflogi gweithwyr newydd neu gydweithio â busnesau a chwmnïau adnabyddus i gynhyrchu canlyniadau gwell. Bydd effaith gyffredinol y diddordeb hwn yn gadarnhaol, nid yn unig ar gyfer datblygiadau gwyddonol ond hefyd ar gyfer gweithwyr proffesiynol yn y meysydd gwyddonol. 

Fodd bynnag, rhwystr posibl yw bod atebion o'r modelau addasol hyn yn aml yn heriol i bobl eu deall, yn enwedig y rhesymeg dan sylw. Oherwydd bod y peiriannau'n rhoi atebion yn unig ac nid yn esbonio'r rheswm y tu ôl i'r datrysiad, efallai y bydd gwyddonwyr yn parhau i fod yn ansicr ynghylch y broses a'r casgliad. Mae'r aneglurder hwn yn gwanhau hyder yn y canlyniadau ac yn lleihau nifer y rhwydweithiau niwral a all helpu gyda dadansoddi. Felly, bydd angen i ymchwilwyr ddatblygu model a all esbonio ei hun.

Goblygiadau ymchwil wyddonol AI

Gall goblygiadau ehangach ymchwil wyddonol AI gynnwys:

• Newidiadau mewn safonau awduraeth ar gyfer papurau ymchwil, gan gynnwys rhoi credyd eiddo deallusol i AI. Yn yr un modd, un diwrnod bydd systemau AI yn cael eu dyfarnu fel darpar dderbynwyr Gwobr Nobel, a all achosi dadleuon dwys ynghylch a ddylid cydnabod yr algorithmau hyn fel dyfeiswyr.
• Gall ymchwil a gynhyrchir gan AI arwain at fathau newydd o atebolrwydd a chwestiynau cyfreithiol a moesegol pellach yn ymwneud â defnyddio AI a systemau ymreolaethol mewn darganfyddiadau gwyddonol.
• Gwyddonwyr yn gweithio gydag amrywiol offer AI cynhyrchiol i gyflymu datblygiadau meddygol a phrofion.
• Defnydd cynyddol o ynni a achosir gan y pŵer cyfrifiadurol uchel sydd ei angen i redeg yr algorithmau cywrain hyn.
• Gwyddonwyr y dyfodol yn cael eu hyfforddi i ddefnyddio AI ac offer ML eraill yn eu llifoedd gwaith.
• Llywodraethau yn creu safonau byd-eang ar gyfyngiadau a gofynion cynnal arbrofion gwyddonol a gynhyrchir gan AI.

Cwestiynau i'w hystyried

• Os ydych chi'n wyddonydd, sut mae'ch sefydliad neu labordy yn bwriadu ymgorffori ymchwil gyda chymorth AI?
• Sut ydych chi'n meddwl y bydd ymchwil a gynhyrchir gan AI yn effeithio ar y farchnad swyddi i wyddonwyr ac ymchwilwyr?