AI vitenskapelig forskning: Maskinlærings sanne formål

• Forfatter:
• forfatternavn

  Quantumrun Foresight
• Kan 11, 2023

Å utvikle hypoteser har tradisjonelt vært ansett som en utelukkende menneskelig aktivitet, da det krever kreativitet, intuisjon og kritisk tenkning. Med teknologiske fremskritt tyr imidlertid forskere i økende grad til maskinlæring (ML) for å generere nye oppdagelser. Algoritmer kan analysere store mengder data raskt og identifisere mønstre som mennesker kanskje ikke kan se.

Kontekst

I stedet for å være avhengig av menneskelige forforståelser, har forskere konstruert nevrale nettverk ML-algoritmer med et design inspirert av den menneskelige hjernen, og foreslår nye hypoteser basert på datamønstre. Som et resultat kan mange områder snart henvende seg til ML for å akselerere vitenskapelig oppdagelse og redusere menneskelige skjevheter. Når det gjelder uutforskede batterimaterialer, har forskere tradisjonelt stolt på databasesøketeknikker, modellering og deres kjemiske sans for å identifisere levedyktige molekyler. Et team fra UK-baserte University of Liverpool ansatte ML for å forenkle den kreative prosessen. 

Først opprettet forskerne et nevralt nettverk som prioriterte kjemiske kombinasjoner basert på deres sannsynlighet for å produsere et verdifullt nytt materiale. Forskerne brukte deretter disse rangeringene til å veilede laboratoriestudiene deres. Som et resultat fant de fire levedyktige batterimaterialevalg uten å teste alt på listen, og sparte dem for måneder med prøving og feiling. Nye materialer er ikke det eneste feltet der ML kan hjelpe forskning. Forskere bruker også nevrale nettverk for å løse mer betydelige teknologiske og teoretiske problemer. For eksempel håper en fysiker ved Zürichs institutt for teoretisk fysikk, Renato Renner, å utvikle en sammenhengende forklaring på hvordan verden fungerer ved å bruke ML. 

I tillegg lar mer sofistikerte generative AI-modeller som OpenAIs ChatGPT forskere automatisk generere nye data, modeller og hypoteser. Denne bragden oppnås gjennom teknikker som generative adversarielle nettverk (GAN), variasjonsautokodere (VAE) og transformatorbaserte språkmodeller (som Generative Pre-trained Transformer-3 eller GPT-3). Disse AI-modellene kan brukes til å generere syntetiske datasett, designe og optimalisere nye ML-arkitekturer, og utvikle nye vitenskapelige hypoteser ved å identifisere mønstre og relasjoner i data som tidligere var ukjente.

Forstyrrende påvirkning

Forskere kan i økende grad bruke generativ AI for å hjelpe til med forskning. Med evnen til å analysere mønstre og forutsi utfall basert på den kunnskapen, kan disse modellene løse komplekse vitenskapsteorier som har forblitt uløst av menneskeheten. Ikke bare vil dette spare tid og penger, men det vil også hjelpe den menneskelige forståelsen av vitenskap til å strekke seg langt utover dens nåværende grenser. 

En forsknings- og utviklingssatsing (FoU) vil sannsynligvis finne det lettere å samle passende midler fordi ML kan behandle data raskere. Som et resultat vil forskere søke mer hjelp ved å ansette nye medarbeidere eller samarbeide med kjente virksomheter og selskaper for å produsere bedre resultater. Den samlede effekten av denne interessen vil være positiv, ikke bare for vitenskapelige fremskritt, men også for fagfolk innen de vitenskapelige feltene. 

En potensiell veisperring er imidlertid at løsninger fra disse adaptive modellene ofte er utfordrende for mennesker å forstå, spesielt resonnementet involvert. På grunn av at maskinene bare gir ut svar og ikke forklarer årsaken bak løsningen, kan forskerne forbli usikre på prosessen og konklusjonen. Denne uklarheten svekker tilliten til resultatene og reduserer antallet nevrale nettverk som kan hjelpe med analyse. Derfor vil det være nødvendig for forskere å utvikle en modell som kan forklare seg selv.

Implikasjoner av AI-vitenskapelig forskning

Større implikasjoner av AI-vitenskapelig forskning kan omfatte:

• Endringer i forfatterskapsstandarder for forskningsartikler, inkludert å gi intellektuell eiendom kreditt til AI. Tilsvarende vil AI-systemer en dag bli tildelt som potensielle nobelprismottakere, noe som kan forårsake intense debatter om hvorvidt disse algoritmene bør anerkjennes som oppfinnere.
• AI-generert forskning kan føre til nye former for ansvar og ytterligere juridiske og etiske spørsmål knyttet til bruk av AI og autonome systemer i vitenskapelige oppdagelser.
• Forskere som jobber med ulike generative AI-verktøy for å fremskynde medisinsk utvikling og testing.
• Økende energibruk forårsaket av den høye datakraften som trengs for å kjøre disse forseggjorte algoritmene.
• Fremtidige forskere blir opplært til å bruke AI og andre ML-verktøy i arbeidsflytene sine.
• Myndigheter lager globale standarder for begrensningene og kravene til å utføre AI-genererte vitenskapelige eksperimenter.

Spørsmål å vurdere

• Hvis du er en vitenskapsmann, hvordan planlegger institusjonen eller laboratoriet å innlemme AI-assistert forskning?
• Hvordan tror du AI-generert forskning vil påvirke arbeidsmarkedet for forskere og forskere?