Tekoälyn tieteellinen tutkimus: Koneoppimisen todellinen tarkoitus

• Kirjoittaja:
• tekijän nimi

  Quantumrun Foresight
• Voi 11, 2023

Hypoteesien laatimista on perinteisesti pidetty yksinomaan inhimillisenä toimintana, sillä se vaatii luovuutta, intuitiota ja kriittistä ajattelua. Teknologisen kehityksen myötä tiedemiehet kuitenkin kääntyvät yhä enemmän koneoppimisen (ML) puoleen luodakseen uusia löytöjä. Algoritmit voivat analysoida suuria tietomääriä nopeasti ja tunnistaa kuvioita, joita ihmiset eivät ehkä näe.

Tausta

Sen sijaan, että olisivat riippuvaisia ​​ihmisten ennakkokäsityksistä, tutkijat ovat rakentaneet hermoverkkojen ML-algoritmeja, joiden suunnittelu on saanut inspiraationsa ihmisaivoista, ehdottaen uusia datamalleihin perustuvia hypoteeseja. Tämän seurauksena monet alueet voivat pian kääntyä ML: n puoleen nopeuttaakseen tieteellisiä löytöjä ja vähentääkseen ihmisten ennakkoluuloja. Tutkimattomien akkumateriaalien tapauksessa tutkijat ovat perinteisesti luottaneet tietokannan hakutekniikoihin, mallintamiseen ja niiden kemialliseen järkeen tunnistaakseen elinkelpoisia molekyylejä. Yhdistyneessä kuningaskunnassa sijaitsevan Liverpoolin yliopiston tiimi käytti ML:ää luovan prosessin yksinkertaistamiseksi. 

Ensinnäkin tutkijat loivat hermoverkon, joka asetti kemialliset yhdistelmät tärkeysjärjestykseen perustuen niiden todennäköisyyteen tuottaa arvokasta uutta materiaalia. Sitten tutkijat käyttivät näitä luokituksia ohjaamaan laboratoriotutkimuksiaan. Seurauksena oli, että he löysivät neljä käyttökelpoista akkumateriaalivaihtoehtoa testaamatta kaikkea luettelostaan ​​ja säästyivät kuukausilta yritys- ja erehdyksiltä. Uudet materiaalit eivät ole ainoa ala, jolla ML voi auttaa tutkimusta. Tutkijat käyttävät neuroverkkoja myös ratkaisemaan merkittävämpiä teknologisia ja teoreettisia ongelmia. Esimerkiksi Zürichin teoreettisen fysiikan instituutin fyysikko Renato Renner toivoo voivansa kehittää yhtenäisen selityksen siitä, miten maailma toimii ML:n avulla. 

Lisäksi kehittyneemmät generatiiviset tekoälymallit, kuten OpenAI:n ChatGPT, antavat tutkijoille mahdollisuuden luoda automaattisesti uusia tietoja, malleja ja hypoteeseja. Tämä saavutus saavutetaan sellaisilla tekniikoilla kuin generatiiviset vastavuoroiset verkot (GAN), variaatioautoenkooderit (VAE) ja muuntajapohjaiset kielimallit (kuten Generative Pre-train Transformer-3 tai GPT-3). Näitä tekoälymalleja voidaan käyttää synteettisten tietojoukkojen luomiseen, uusien ML-arkkitehtuurien suunnitteluun ja optimointiin sekä uusien tieteellisten hypoteesien kehittämiseen tunnistamalla aiemmin tuntemattomia malleja ja suhteita tiedosta.

Häiritsevä vaikutus

Tiedemiehet voivat yhä useammin käyttää generatiivista tekoälyä tutkimuksen apuna. Kyky analysoida malleja ja ennustaa tuloksia tämän tiedon perusteella, nämä mallit voivat ratkaista monimutkaisia ​​tieteen teorioita, jotka ovat jääneet ihmiskunnan ratkaisematta. Tämä ei ainoastaan ​​säästä aikaa ja rahaa, vaan se auttaa myös ihmisten ymmärrystä tieteestä ulottumaan kauas nykyisten rajojen ulkopuolelle. 

Tutkimus- ja kehityshankkeen (T&K) on todennäköisesti helpompi saada sopiva rahoitus, koska ML pystyy käsittelemään tietoja nopeammin. Tämän seurauksena tutkijat hakevat lisää apua palkkaamalla uusia työntekijöitä tai tekemällä yhteistyötä tunnettujen yritysten ja yritysten kanssa tuottaakseen parempia tuloksia. Tämän mielenkiinnon kokonaisvaikutus on myönteinen, ei vain tieteen kehitykselle vaan myös tieteenalojen ammattilaisille. 

Mahdollisena tiesulkuna on kuitenkin se, että näiden mukautuvien mallien ratkaisut ovat usein haastavia ihmisille omaksumaan, erityisesti niihin liittyviin perusteluihin. Koska koneet antavat vain vastauksia eivätkä selitä ratkaisun syytä, tiedemiehet voivat jäädä epävarmaksi prosessista ja johtopäätöksestä. Tämä epäselvyys heikentää luottamusta tuloksiin ja vähentää niiden neuroverkkojen määrää, jotka voivat auttaa analysoinnissa. Siksi tutkijoiden on kehitettävä malli, joka voi selittää itsensä.

Tekoälyn tieteellisen tutkimuksen vaikutukset

Tekoälyn tieteellisen tutkimuksen laajempia vaikutuksia voivat olla:

• Muutoksia tutkimuspapereiden kirjoittajastandardeihin, mukaan lukien teollis- ja tekijänoikeuksien antaminen tekoälylle. Samoin tekoälyjärjestelmät palkitaan jonakin päivänä mahdollisina Nobel-palkinnon saajina, mikä voi aiheuttaa kiihkeitä keskusteluja siitä, pitäisikö nämä algoritmit tunnustaa keksijiksi.
• Tekoälyn tuottama tutkimus voi johtaa uusiin vastuun muotoihin ja muihin oikeudellisiin ja eettisiin kysymyksiin liittyen tekoälyn ja autonomisten järjestelmien käyttöön tieteellisissä löydöissä.
• Tutkijat työskentelevät useiden generatiivisten tekoälytyökalujen kanssa lääketieteen kehityksen ja testauksen nopeuttamiseksi.
• Kasvava energiankulutus johtuu näiden monimutkaisten algoritmien suorittamiseen tarvittavasta suuresta laskentatehosta.
• Tulevia tutkijoita koulutetaan käyttämään tekoälyä ja muita ML-työkaluja työnkuluissaan.
• Hallitukset luovat maailmanlaajuisia standardeja tekoälyn tuottamien tieteellisten kokeiden suorittamisen rajoituksille ja vaatimuksille.

Pohdittavia kysymyksiä

• Jos olet tiedemies, miten laitoksesi tai laboratoriosi aikoo sisällyttää tekoälyavusteisen tutkimuksen?
• Miten uskot tekoälyn tuottaman tutkimuksen vaikuttavan tutkijoiden ja tutkijoiden työmarkkinoihin?