Pesquisa científica de IA: o verdadeiro propósito do aprendizado de máquina

• Autor:
• Nome do autor

  Previsão Quantumrun
• 11 de maio de 2023

O desenvolvimento de hipóteses tem sido tradicionalmente considerado uma atividade exclusivamente humana, pois requer criatividade, intuição e pensamento crítico. No entanto, com os avanços tecnológicos, os cientistas estão se voltando cada vez mais para o aprendizado de máquina (ML) para gerar novas descobertas. Os algoritmos podem analisar grandes quantidades de dados rapidamente e identificar padrões que os humanos podem não conseguir ver.

Contexto

Em vez de depender de preconceitos humanos, os pesquisadores construíram algoritmos de ML de rede neural com um design inspirado no cérebro humano, sugerindo novas hipóteses com base em padrões de dados. Como resultado, muitas áreas podem em breve recorrer ao ML para acelerar a descoberta científica e diminuir os preconceitos humanos. No caso de materiais de bateria inexplorados, os cientistas tradicionalmente contam com técnicas de pesquisa de banco de dados, modelagem e seu senso químico para identificar moléculas viáveis. Uma equipe da Universidade de Liverpool, com sede no Reino Unido, empregou ML para simplificar o processo criativo. 

Primeiro, os pesquisadores criaram uma rede neural que priorizava combinações químicas com base na probabilidade de produzir um novo material valioso. Os cientistas então utilizaram essas classificações para orientar seus estudos de laboratório. Como resultado, eles encontraram quatro opções viáveis ​​de materiais de bateria sem testar tudo em sua lista, poupando-os de meses de tentativa e erro. Novos materiais não são o único campo em que o ML pode auxiliar na pesquisa. Os pesquisadores também usam redes neurais para resolver problemas tecnológicos e teóricos mais significativos. Por exemplo, um físico do Instituto de Física Teórica de Zurique, Renato Renner, espera desenvolver uma explicação coesa de como o mundo funciona usando ML. 

Além disso, modelos de IA generativos mais sofisticados, como o ChatGPT da OpenAI, permitem que os pesquisadores gerem automaticamente novos dados, modelos e hipóteses. Essa façanha é alcançada por meio de técnicas como redes adversárias generativas (GANs), autoencoders variacionais (VAEs) e modelos de linguagem baseados em transformadores (como o Transformer-3 pré-treinado generativo ou GPT-3). Esses modelos de IA podem ser usados ​​para gerar conjuntos de dados sintéticos, projetar e otimizar novas arquiteturas de ML e desenvolver novas hipóteses científicas por meio da identificação de padrões e relacionamentos em dados que antes eram desconhecidos.

Impacto disruptivo

Os cientistas podem usar cada vez mais IA generativa para ajudar na pesquisa. Com a capacidade de analisar padrões e prever resultados com base nesse conhecimento, esses modelos podem resolver teorias complexas da ciência que permaneceram sem solução pela humanidade. Isso não apenas economizará tempo e dinheiro, mas também ajudará a compreensão humana da ciência a se estender muito além de seus limites atuais. 

Um empreendimento de pesquisa e desenvolvimento (P&D) provavelmente achará mais fácil obter o financiamento apropriado porque o ML pode processar dados mais rapidamente. Como resultado, os cientistas buscarão mais assistência contratando novos funcionários ou colaborando com empresas e empresas conhecidas para produzir melhores resultados. O impacto geral desse interesse será positivo, não apenas para os avanços científicos, mas também para os profissionais das áreas científicas. 

No entanto, um obstáculo potencial é que as soluções desses modelos adaptativos são frequentemente difíceis de entender pelos humanos, especialmente o raciocínio envolvido. Como as máquinas apenas fornecem respostas e não explicam o motivo por trás da solução, os cientistas podem permanecer incertos sobre o processo e a conclusão. Essa obscuridade enfraquece a confiança nos resultados e reduz o número de redes neurais que podem ajudar na análise. Portanto, será necessário que os pesquisadores desenvolvam um modelo que possa se explicar.

Implicações da pesquisa científica da IA

Implicações mais amplas da pesquisa científica de IA podem incluir:

• Mudanças nos padrões de autoria para trabalhos de pesquisa, incluindo a concessão de crédito de propriedade intelectual à IA. Da mesma forma, os sistemas de IA um dia serão premiados como potenciais ganhadores do Prêmio Nobel, o que pode causar intensos debates sobre se esses algoritmos devem ser reconhecidos como inventores.
• A pesquisa gerada por IA pode levar a novas formas de responsabilidade e a outras questões legais e éticas relacionadas ao uso de IA e sistemas autônomos em descobertas científicas.
• Cientistas que trabalham com várias ferramentas de IA generativas para acelerar desenvolvimentos e testes médicos.
• O aumento do uso de energia causado pelo alto poder de computação necessário para executar esses algoritmos elaborados.
• Futuros cientistas sendo treinados para usar IA e outras ferramentas de ML em seus fluxos de trabalho.
• Governos criando padrões globais sobre as limitações e requisitos da condução de experimentos científicos gerados por IA.

Questões a considerar

• Se você é um cientista, como sua instituição ou laboratório planeja incorporar a pesquisa assistida por IA?
• Como você acha que a pesquisa gerada por IA afetará o mercado de trabalho para cientistas e pesquisadores?