Scienca esplorado de AI: la vera celo de maŝinlernado

BILDA KREDITO:
Bildo kredito
iStock

Scienca esplorado de AI: la vera celo de maŝinlernado

Scienca esplorado de AI: la vera celo de maŝinlernado

Subtitolo teksto
Esploristoj testas la kapablon de artefarita inteligenteco taksi vastajn kvantojn da datumoj, kiuj povas konduki al trarompaj malkovroj.
    • Aŭtoro:
    • Aŭtora nomo
      Quantumrun Foresight
    • Eble 11, 2023

    Evolui hipotezojn estis tradicie konsiderita nur homa agado, ĉar ĝi postulas kreivon, intuicion kaj kritikan pensadon. Tamen, kun teknologiaj progresoj, sciencistoj ĉiam pli turniĝas al maŝinlernado (ML) por generi novajn eltrovaĵojn. Algoritmoj povas analizi grandajn kvantojn da datumoj rapide kaj identigi ŝablonojn, kiujn homoj eble ne povas vidi.

    kunteksto

    Prefere ol dependi de homaj antaŭjuĝoj, esploristoj konstruis neŭralajn retajn ML-algoritmojn kun dezajno inspirita de la homa cerbo, sugestante novajn hipotezojn bazitajn sur datenpadronoj. Kiel rezulto, multaj areoj baldaŭ povas turni sin al ML por akceli sciencan eltrovaĵon kaj malpliigi homajn biasojn. Koncerne neesploritajn bateriajn materialojn, sciencistoj tradicie fidis je datumbazaj serĉteknikoj, modeligado kaj sia kemia senco por identigi realigeblajn molekulojn. Teamo de la UK-bazita Universitato de Liverpool uzis ML por simpligi la kreivan procezon. 

    Unue, la esploristoj kreis neŭralan reton, kiu prioritatis kemiajn kombinaĵojn bazitajn sur sia verŝajneco produkti valoran novan materialon. La sciencistoj tiam utiligis ĉi tiujn rangotabelojn por gvidi siajn laboratoriajn studojn. Kiel rezulto, ili trovis kvar realigeblajn bateriajn materialelektojn sen provi ĉion en sia listo, ŝparante al ili monatojn da provo kaj eraro. Novaj materialoj ne estas la sola kampo, kie ML povas helpi esploradon. Esploristoj ankaŭ uzas neŭrajn retojn por solvi pli signifajn teknologiajn kaj teoriajn zorgojn. Ekzemple, fizikisto de la Instituto pri Teoria Fiziko de Zuriko, Renato Renner, esperas evoluigi kohezian klarigon pri kiel la mondo funkcias uzante ML. 

    Plie, pli kompleksaj generaj AI-modeloj kiel ChatGPT de OpenAI permesas al esploristoj aŭtomate generi novajn datumojn, modelojn kaj hipotezojn. Tiu heroaĵo estas atingita per teknikoj kiel ekzemple generativaj kontraŭaj retoj (GANoj), variaciaj aŭtokodiloj (VAEoj), kaj transformil-bazitaj lingvomodeloj (kiel ekzemple Generative Pre-trained Transformer-3 aŭ GPT-3). Ĉi tiuj AI-modeloj povas esti uzataj por generi sintezajn datenojn, desegni kaj optimumigi novajn ML-arkitekturojn, kaj evoluigi novajn sciencajn hipotezojn identigante ŝablonojn kaj rilatojn en datumoj antaŭe nekonataj.

    Disrompa efiko

    Sciencistoj povas ĉiam pli uzi generan AI por helpi kun esplorado. Kun la kapablo analizi padronojn kaj antaŭdiri rezultojn bazitajn sur tiu scio, tiuj modeloj eble solvis kompleksajn teoriojn de scienco kiuj restis nesolvitaj fare de la homaro. Ne nur tio ŝparos tempon kaj monon, sed ankaŭ helpos la homan komprenon de scienco etendi multe preter ĝiaj nunaj limoj. 

    Esplorado kaj evoluo (R&D) entrepreno verŝajne trovos pli facile kolekti taŭgan financadon ĉar ML povas prilabori datumojn pli rapide. Kiel rezulto, sciencistoj serĉos pli da helpo dungante novajn dungitojn aŭ kunlaborante kun konataj entreprenoj kaj kompanioj por produkti pli bonajn rezultojn. La ĝenerala efiko de ĉi tiu intereso estos pozitiva, ne nur por sciencaj progresoj sed ankaŭ por profesiuloj en la sciencaj kampoj. 

    Tamen, ebla vojbaro estas ke solvoj de ĉi tiuj adaptaj modeloj ofte estas malfacilaj por homoj ekkompreni, precipe la rezonadon engaĝita. Pro la maŝinoj nur donas respondojn kaj ne klarigas la kialon malantaŭ la solvo, sciencistoj povas resti necertaj pri la procezo kaj konkludo. Ĉi tiu obskureco malfortigas fidon je la rezultoj kaj reduktas la nombron da neŭralaj retoj, kiuj povas helpi pri analizo. Tial, estos necese, ke esploristoj disvolvu modelon, kiu povas klarigi sin.

    Implicoj de AI-scienca esplorado

    Pli larĝaj implicoj de AI-scienca esplorado povas inkludi:

    • Ŝanĝoj en aŭtorecaj normoj por esploraj artikoloj, inkluzive de kredito pri intelekta proprieto al AI. Simile, AI-sistemoj iam estos premiitaj kiel eblaj Nobel-premiitoj, kio povas kaŭzi intensajn debatojn pri ĉu ĉi tiuj algoritmoj devus esti agnoskitaj kiel inventintoj.
    • AI-generita esplorado povas konduki al novaj formoj de respondeco kaj pliaj leĝaj kaj etikaj demandoj ligitaj al uzado de AI kaj aŭtonomaj sistemoj en sciencaj eltrovaĵoj.
    • Sciencistoj laborantaj per diversaj generaj AI-iloj por rapidigi medicinajn evoluojn kaj testadon.
    • Kreskanta energiuzokutimo kaŭzita de la alta komputika potenco bezonata por prizorgi ĉi tiujn kompleksajn algoritmojn.
    • Estontaj sciencistoj estas trejnitaj por uzi AI kaj aliajn ML-iloj en siaj laborfluoj.
    • Registaroj kreantaj tutmondajn normojn pri la limigoj kaj postuloj de farado de AI-generitaj sciencaj eksperimentoj.

    Konsiderindaj demandoj

    • Se vi estas sciencisto, kiel via institucio aŭ laboratorio planas enkorpigi esploradon helpata de AI?
    • Kiel vi pensas, ke AI-generita esplorado influos la labormerkaton por sciencistoj kaj esploristoj?

    Enrigardaj referencoj

    La sekvaj popularaj kaj instituciaj ligiloj estis referenceitaj por ĉi tiu kompreno:

    Novaĵoj de Uĉikago Kiel AI povus ŝanĝi sciencon