AI moksliniai tyrimai: tikrasis mašininio mokymosi tikslas

VAIZDO KREDITAS:
Paveikslėlio kredito
iStock

AI moksliniai tyrimai: tikrasis mašininio mokymosi tikslas

AI moksliniai tyrimai: tikrasis mašininio mokymosi tikslas

Paantraštės tekstas
Tyrėjai išbando dirbtinio intelekto galimybes įvertinti didžiulius duomenų kiekius, kurie gali lemti proveržio atradimus.
    • Autorius:
    • autoriaus vardas
      Quantumrun Foresight
    • Gali 11, 2023

    Hipotezių kūrimas tradiciškai buvo laikomas tik žmogaus veikla, nes tam reikia kūrybiškumo, intuicijos ir kritinio mąstymo. Tačiau, tobulėjant technologijoms, mokslininkai vis dažniau kreipiasi į mašininį mokymąsi (ML), kad sukurtų naujus atradimus. Algoritmai gali greitai išanalizuoti didelius duomenų kiekius ir nustatyti modelius, kurių žmonės gali nematyti.

    Kontekstas

    Užuot remdamiesi žmogaus išankstinėmis nuostatomis, mokslininkai sukūrė neuroninio tinklo ML algoritmus, kurių dizainą įkvėpė žmogaus smegenys, siūlydami naujas hipotezes, pagrįstas duomenų modeliais. Dėl to daugelis sričių netrukus gali pereiti prie ML, kad paspartintų mokslinius atradimus ir sumažintų žmonių šališkumą. Neištirtų baterijų medžiagų atveju mokslininkai, norėdami nustatyti gyvybingas molekules, tradiciškai rėmėsi duomenų bazės paieškos metodais, modeliavimu ir jų chemine prasme. JK įsikūrusio Liverpulio universiteto komanda pasitelkė ML, kad supaprastintų kūrybinį procesą. 

    Pirma, mokslininkai sukūrė neuroninį tinklą, kuriame pirmenybė buvo teikiama cheminiams deriniams, atsižvelgiant į jų tikimybę pagaminti vertingą naują medžiagą. Tada mokslininkai pasinaudojo šiais reitingais vadovaudami savo laboratoriniams tyrimams. Dėl to jie rado keturis tinkamus baterijų medžiagų pasirinkimus, neišbandę visko, kas buvo sąraše, taip išvengdami mėnesių bandymų ir klaidų. Naujos medžiagos nėra vienintelė sritis, kurioje ML gali padėti tyrimams. Tyrėjai taip pat naudoja neuroninius tinklus, kad išspręstų svarbesnius technologinius ir teorinius klausimus. Pavyzdžiui, Ciuricho teorinės fizikos instituto fizikas Renato Renner tikisi sukurti nuoseklų paaiškinimą, kaip pasaulis veikia naudojant ML. 

    Be to, sudėtingesni generatyvūs AI modeliai, tokie kaip OpenAI ChatGPT, leidžia tyrėjams automatiškai generuoti naujus duomenis, modelius ir hipotezes. Šis žygdarbis pasiekiamas naudojant tokius metodus kaip generatyvūs priešininkų tinklai (GAN), variaciniai automatiniai kodavimo įrenginiai (VAE) ir transformatoriais pagrįsti kalbos modeliai (pvz., Generative Pre-Tained Transformer-3 arba GPT-3). Šie AI modeliai gali būti naudojami sintetiniams duomenų rinkiniams generuoti, naujoms ML architektūroms kurti ir optimizuoti bei kurti naujas mokslines hipotezes, nustatant duomenų modelius ir ryšius, kurie anksčiau nebuvo žinomi.

    Trikdantis poveikis

    Mokslininkai vis dažniau gali naudoti generatyvųjį AI, kad padėtų tyrimams. Su galimybe analizuoti modelius ir numatyti rezultatus remiantis tomis žiniomis, šie modeliai gali išspręsti sudėtingas mokslo teorijas, kurių žmonija liko neišspręsta. Tai ne tik sutaupys laiko ir pinigų, bet ir padės žmogaus supratimui apie mokslą gerokai peržengti dabartines ribas. 

    Tikėtina, kad mokslinių tyrimų ir plėtros (MTTP) įmonėms bus lengviau surinkti tinkamą finansavimą, nes ML gali greičiau apdoroti duomenis. Dėl to mokslininkai sieks daugiau pagalbos, samdydami naujus darbuotojus arba bendradarbiaudami su gerai žinomais verslais ir įmonėmis, siekdami geresnių rezultatų. Bendras šio susidomėjimo poveikis bus teigiamas ne tik mokslo pažangai, bet ir mokslo sričių specialistams. 

    Tačiau galimas kliūtis yra tai, kad žmonėms dažnai sunku suvokti šių prisitaikančių modelių sprendimus, ypač susijusius motyvus. Kadangi mašinos tik pateikia atsakymus ir nepaaiškina sprendimo priežasties, mokslininkai gali likti neaiškūs dėl proceso ir išvados. Šis neaiškumas susilpnina pasitikėjimą rezultatais ir sumažina neuroninių tinklų, kurie gali padėti atlikti analizę, skaičių. Todėl mokslininkams reikės sukurti modelį, kuris galėtų paaiškinti save.

    AI mokslinių tyrimų pasekmės

    Platesnės AI mokslinių tyrimų pasekmės gali apimti:

    • Mokslinių darbų autorystės standartų pakeitimai, įskaitant intelektinės nuosavybės kreditų suteikimą dirbtiniam intelektui. Panašiai AI sistemos vieną dieną bus apdovanotos kaip potencialios Nobelio premijos gavėjos, o tai gali sukelti intensyvių diskusijų dėl to, ar šie algoritmai turėtų būti pripažinti išradėjais.
    • DI sukurti tyrimai gali sukelti naujų atsakomybės formų ir papildomų teisinių bei etinių klausimų, susijusių su AI ir autonominių sistemų naudojimu moksliniuose atradimuose.
    • Mokslininkai, dirbantys su įvairiais generuojančiais dirbtinio intelekto įrankiais, kad paspartintų medicinos raidą ir bandymus.
    • Didėjantis energijos suvartojimas dėl didelės skaičiavimo galios, reikalingos šiems sudėtingiems algoritmams vykdyti.
    • Būsimi mokslininkai mokomi naudoti AI ir kitus ML įrankius savo darbo eigoje.
    • Vyriausybės kuria pasaulinius standartus dėl AI sukurtų mokslinių eksperimentų vykdymo apribojimų ir reikalavimų.

    Klausimai, kuriuos reikia apsvarstyti

    • Jei esate mokslininkas, kaip jūsų institucija ar laboratorija planuoja įtraukti AI remiamus tyrimus?
    • Kaip manote, kaip dirbtinio intelekto sukurti tyrimai paveiks mokslininkų ir tyrėjų darbo rinką?

    Įžvalgos nuorodos

    Šioje įžvalgoje buvo nurodytos šios populiarios ir institucinės nuorodos: