एआई वैज्ञानिक अनुसन्धान: मेसिन लर्निङको वास्तविक उद्देश्य

छवि क्रेडिट:
छवि क्रेडिट
IStock

एआई वैज्ञानिक अनुसन्धान: मेसिन लर्निङको वास्तविक उद्देश्य

एआई वैज्ञानिक अनुसन्धान: मेसिन लर्निङको वास्तविक उद्देश्य

उपशीर्षक पाठ
अनुसन्धानकर्ताहरूले ठूलो मात्रामा डाटाको मूल्याङ्कन गर्न कृत्रिम बुद्धिमत्ताको क्षमताको परीक्षण गरिरहेका छन् जसले सफलताका खोजहरू निम्त्याउन सक्छ।
    • लेखक:
    • लेखक नाम
      Quantumrun दूरदर्शिता
    • 11 सक्छ, 2023

    परिकल्पनाहरू विकास गर्ने परम्परागत रूपमा एक मात्र मानव गतिविधि मानिन्छ, किनकि यसमा रचनात्मकता, अन्तर्ज्ञान, र आलोचनात्मक सोच आवश्यक छ। यद्यपि, प्राविधिक विकासको साथ, वैज्ञानिकहरू नयाँ आविष्कारहरू उत्पन्न गर्न मेसिन लर्निङ (ML) मा बढ्दै गएका छन्। एल्गोरिदमहरूले डेटाको ठूलो मात्रालाई द्रुत रूपमा विश्लेषण गर्न र मानिसहरूले देख्न नसक्ने ढाँचाहरू पहिचान गर्न सक्छन्।

    सन्दर्भ

    मानव पूर्वधारणाहरूमा निर्भर हुनुको सट्टा, शोधकर्ताहरूले मानव मस्तिष्कबाट प्रेरित डिजाइनको साथ न्यूरल नेटवर्क एमएल एल्गोरिदमहरू निर्माण गरेका छन्, डेटा ढाँचाहरूमा आधारित नयाँ परिकल्पनाहरू सुझाव दिन्छ। नतिजाको रूपमा, धेरै क्षेत्रहरू चाँडै नै वैज्ञानिक खोजलाई गति दिन र मानव पूर्वाग्रहहरू कम गर्न ML मा फर्कन सक्छन्। अनपेक्षित ब्याट्री सामग्रीको मामलामा, वैज्ञानिकहरूले परम्परागत रूपमा डाटाबेस खोजी प्रविधिहरू, मोडेलिङ, र व्यवहार्य अणुहरू पहिचान गर्न तिनीहरूको रासायनिक ज्ञानमा भर परेका छन्। युकेमा आधारित लिभरपुल विश्वविद्यालयको टोलीले रचनात्मक प्रक्रियालाई सरल बनाउन एमएललाई काममा लगायो। 

    पहिलो, शोधकर्ताहरूले एक न्यूरल नेटवर्क सिर्जना गरे जसले मूल्यवान नयाँ सामग्री उत्पादन गर्ने सम्भावनाको आधारमा रासायनिक संयोजनहरूलाई प्राथमिकता दियो। त्यसपछि वैज्ञानिकहरूले तिनीहरूको प्रयोगशाला अध्ययनहरू मार्गदर्शन गर्न यी श्रेणीहरू प्रयोग गरे। नतिजाको रूपमा, तिनीहरूले आफ्नो सूचीमा सबै कुरा परीक्षण नगरी चार व्यवहार्य ब्याट्री सामग्री विकल्पहरू फेला पारे, उनीहरूलाई महिनौंको परीक्षण र त्रुटि बचाएर। नयाँ सामग्रीहरू मात्र क्षेत्र होइन जहाँ एमएलले अनुसन्धानलाई मद्दत गर्न सक्छ। शोधकर्ताहरूले थप महत्त्वपूर्ण प्राविधिक र सैद्धान्तिक चिन्ताहरू समाधान गर्न तंत्रिका नेटवर्कहरू पनि प्रयोग गर्छन्। उदाहरणका लागि, ज्यूरिखको सैद्धान्तिक भौतिकी संस्थानका भौतिकशास्त्री, रेनाटो रेनरले एमएल प्रयोग गरेर संसारले कसरी काम गर्छ भन्ने एकजुट व्याख्या विकास गर्ने आशा राख्छन्। 

    थप रूपमा, OpenAI को ChatGPT जस्ता अधिक परिष्कृत जेनेरेटिभ एआई मोडेलहरूले अनुसन्धानकर्ताहरूलाई स्वचालित रूपमा नयाँ डाटा, मोडेल र परिकल्पनाहरू उत्पन्न गर्न अनुमति दिन्छ। यो उपलब्धि generative adversarial networks (GANs), variational autoencoders (VAEs), र transformer-based language modes (जस्तै Generative Pre-trained Transformer-3 वा GPT-3) जस्ता प्रविधिहरू मार्फत हासिल गरिन्छ। यी AI मोडेलहरू सिंथेटिक डेटा सेटहरू उत्पन्न गर्न, नयाँ ML आर्किटेक्चरहरू डिजाइन र अनुकूलन गर्न प्रयोग गर्न सकिन्छ, र डेटामा ढाँचा र सम्बन्धहरू पहिचान गरेर नयाँ वैज्ञानिक परिकल्पनाहरू विकास गर्न सकिन्छ जुन पहिले अज्ञात थियो।

    विघटनकारी प्रभाव

    वैज्ञानिकहरूले अनुसन्धानमा सहयोग गर्न उत्पादनशील एआई प्रयोग गर्न सक्छन्। ढाँचाहरू विश्लेषण गर्ने र त्यो ज्ञानको आधारमा नतिजाहरू भविष्यवाणी गर्ने क्षमताको साथ, यी मोडेलहरूले विज्ञानका जटिल सिद्धान्तहरू समाधान गर्न सक्छन् जुन मानवजातिद्वारा समाधान नभएका छन्। यसले समय र पैसाको बचत मात्र गर्दैन, तर यसले विज्ञानको मानवीय बुझाइलाई यसको वर्तमान सीमाहरूभन्दा बाहिर विस्तार गर्न मद्दत गर्नेछ। 

    अनुसन्धान र विकास (R&D) उद्यमले सम्भवतः उपयुक्त कोष सङ्कलन गर्न सजिलो पाउनेछ किनभने ML ले डाटालाई छिटो प्रशोधन गर्न सक्छ। नतिजाको रूपमा, वैज्ञानिकहरूले नयाँ कर्मचारीहरू भर्ती गरेर वा राम्रो नतिजाहरू उत्पादन गर्न प्रसिद्ध व्यवसाय र कम्पनीहरूसँग सहकार्य गरेर थप सहयोग खोज्नेछन्। यस चासोको समग्र प्रभाव वैज्ञानिक प्रगतिको लागि मात्र होइन तर वैज्ञानिक क्षेत्र भित्रका पेशेवरहरूको लागि पनि सकारात्मक हुनेछ। 

    यद्यपि, एउटा सम्भावित रोडब्लक यो हो कि यी अनुकूलन मोडेलहरूबाट समाधानहरू मानिसहरूलाई बुझ्नको लागि प्रायः चुनौतीपूर्ण हुन्छन्, विशेष गरी यसमा संलग्न तर्क। मेसिनले मात्र जवाफ दिने र समाधानको कारण नबुझाउने भएकाले वैज्ञानिकहरू प्रक्रिया र निष्कर्षमा अनिश्चित रहन सक्छन्। यो अस्पष्टताले परिणामहरूमा विश्वासलाई कमजोर बनाउँछ र विश्लेषणमा मद्दत गर्न सक्ने तंत्रिका नेटवर्कहरूको संख्या घटाउँछ। तसर्थ, अनुसन्धानकर्ताहरूले आफैलाई व्याख्या गर्न सक्ने मोडेल विकास गर्न आवश्यक हुनेछ।

    एआई वैज्ञानिक अनुसन्धान को प्रभाव

    एआई वैज्ञानिक अनुसन्धानको व्यापक प्रभावहरू समावेश हुन सक्छन्:

    • AI लाई बौद्धिक सम्पत्ति क्रेडिट दिने सहित अनुसन्धान पत्रहरूको लागि लेखकत्व मापदण्डहरूमा परिवर्तनहरू। त्यसै गरी, एआई प्रणालीहरू एक दिन सम्भावित नोबेल पुरस्कार प्राप्तकर्ताहरूको रूपमा सम्मानित हुनेछन्, जसले यी एल्गोरिदमहरूलाई आविष्कारकहरूको रूपमा स्वीकार गर्नुपर्छ कि भनेर गहन बहस निम्त्याउन सक्छ।
    • एआई-उत्पन्न अनुसन्धानले दायित्वका नयाँ रूपहरू र वैज्ञानिक खोजहरूमा एआई र स्वायत्त प्रणालीहरू प्रयोग गर्न सम्बन्धित थप कानुनी र नैतिक प्रश्नहरू निम्त्याउन सक्छ।
    • चिकित्सा विकास र परीक्षणलाई द्रुत-ट्र्याक गर्न विभिन्न जेनेरेटिभ एआई उपकरणहरूसँग काम गर्ने वैज्ञानिकहरू।
    • यी विस्तृत एल्गोरिदमहरू चलाउनको लागि आवश्यक उच्च कम्प्युटिङ पावरको कारणले बढ्दो ऊर्जा उपयोग।
    • भविष्यका वैज्ञानिकहरूलाई तिनीहरूको कार्यप्रवाहमा AI र अन्य ML उपकरणहरू प्रयोग गर्न तालिम दिइँदैछ।
    • सरकारहरूले AI-उत्पन्न वैज्ञानिक प्रयोगहरू सञ्चालन गर्ने सीमितता र आवश्यकताहरूमा विश्वव्यापी स्तरहरू सिर्जना गर्छन्।

    विचार गर्न प्रश्नहरु

    • यदि तपाईं एक वैज्ञानिक हुनुहुन्छ भने, तपाईंको संस्था वा प्रयोगशालाले AI-सहयोगित अनुसन्धानलाई कसरी समावेश गर्ने योजना बनाइरहेको छ?
    • तपाईलाई एआई-उत्पन्न अनुसन्धानले वैज्ञानिक र अनुसन्धानकर्ताहरूको लागि रोजगार बजारलाई कसरी असर गर्छ जस्तो लाग्छ?

    अन्तरदृष्टि सन्दर्भहरू

    निम्न लोकप्रिय र संस्थागत लिङ्कहरू यस अन्तरदृष्टिको लागि सन्दर्भ गरिएको थियो: