Cercetare științifică AI: adevăratul scop al învățării automate

• Autor:
• Numele autorului

  Previziune Quantumrun
• 11 Mai, 2023

Dezvoltarea ipotezelor a fost considerată în mod tradițional o activitate exclusiv umană, deoarece necesită creativitate, intuiție și gândire critică. Cu toate acestea, odată cu progresele tehnologice, oamenii de știință apelează din ce în ce mai mult la învățarea automată (ML) pentru a genera noi descoperiri. Algoritmii pot analiza rapid cantități mari de date și pot identifica modele pe care oamenii ar putea să nu le poată vedea.

Context

Mai degrabă decât să depindă de preconcepțiile umane, cercetătorii au construit algoritmi ML de rețele neuronale cu un design inspirat de creierul uman, sugerând noi ipoteze bazate pe modele de date. Drept urmare, multe domenii se pot întoarce în curând la ML pentru a accelera descoperirea științifică și pentru a reduce părtinirile umane. În cazul materialelor neexplorate ale bateriilor, oamenii de știință s-au bazat în mod tradițional pe tehnici de căutare în baze de date, modelare și simțul lor chimic pentru a identifica molecule viabile. O echipă de la Universitatea Liverpool din Marea Britanie a folosit ML pentru a simplifica procesul de creație. 

În primul rând, cercetătorii au creat o rețea neuronală care a prioritizat combinațiile chimice în funcție de probabilitatea lor de a produce un material nou valoros. Oamenii de știință au folosit apoi aceste clasamente pentru a-și ghida studiile de laborator. Drept urmare, au găsit patru opțiuni viabile de materiale ale bateriei fără a testa totul de pe lista lor, scutindu-le de luni de încercare și eroare. Materialele noi nu sunt singurul domeniu în care ML poate ajuta cercetarea. Cercetătorii folosesc, de asemenea, rețelele neuronale pentru a rezolva preocupări tehnologice și teoretice mai semnificative. De exemplu, un fizician de la Institutul de Fizică Teoretică din Zurich, Renato Renner, speră să dezvolte o explicație coerentă a modului în care funcționează lumea folosind ML. 

În plus, modelele AI generative mai sofisticate, cum ar fi ChatGPT de la OpenAI, permit cercetătorilor să genereze automat noi date, modele și ipoteze. Această performanță este realizată prin tehnici precum rețele adverse generative (GAN), autoencodere variaționale (VAE) și modele de limbaj bazate pe transformator (cum ar fi Generative Pre-trained Transformer-3 sau GPT-3). Aceste modele de inteligență artificială pot fi utilizate pentru a genera seturi de date sintetice, pentru a proiecta și optimiza noi arhitecturi ML și pentru a dezvolta noi ipoteze științifice prin identificarea tiparelor și a relațiilor în date care erau necunoscute anterior.

Impact perturbator

Oamenii de știință pot folosi din ce în ce mai mult IA generativă pentru a ajuta la cercetare. Cu capacitatea de a analiza modele și de a prezice rezultate pe baza acestor cunoștințe, aceste modele ar putea rezolva teorii complexe ale științei care au rămas nerezolvate de omenire. Acest lucru nu numai că va economisi timp și bani, dar va ajuta și înțelegerea umană a științei să se extindă cu mult dincolo de limitele sale actuale. 

O afacere de cercetare și dezvoltare (R&D) va găsi probabil mai ușor să strângă finanțare adecvată, deoarece ML poate procesa datele mai rapid. Drept urmare, oamenii de știință vor căuta mai multă asistență prin angajarea de noi angajați sau colaborând cu afaceri și companii binecunoscute pentru a obține rezultate mai bune. Impactul general al acestui interes va fi pozitiv, nu doar pentru progresele științifice, ci și pentru profesioniștii din domeniile științifice. 

Cu toate acestea, un potențial obstacol este faptul că soluțiile din aceste modele adaptive sunt adesea dificil de înțeles pentru oameni, în special raționamentul implicat. Datorită faptului că mașinile oferă doar răspunsuri și nu explică motivul din spatele soluției, oamenii de știință pot rămâne nesiguri cu privire la proces și concluzie. Această obscuritate slăbește încrederea în rezultate și reduce numărul de rețele neuronale care pot ajuta la analiză. Prin urmare, va fi necesar ca cercetătorii să dezvolte un model care să se poată explica singur.

Implicațiile cercetării științifice AI

Implicațiile mai largi ale cercetării științifice AI pot include:

• Modificări ale standardelor de autor pentru lucrările de cercetare, inclusiv acordarea creditului de proprietate intelectuală AI. În mod similar, sistemele de inteligență artificială vor fi premiate într-o zi ca potențiali laureați ai Premiului Nobel, ceea ce poate provoca dezbateri intense asupra faptului dacă acești algoritmi ar trebui recunoscuți ca inventatori.
• Cercetarea generată de IA poate duce la noi forme de răspundere și la alte întrebări juridice și etice legate de utilizarea AI și a sistemelor autonome în descoperirile științifice.
• Oamenii de știință lucrează cu diverse instrumente AI generative pentru a accelera evoluțiile și testele medicale.
• Creșterea consumului de energie cauzată de puterea mare de calcul necesară pentru a rula acești algoritmi elaborați.
• Viitorii oameni de știință sunt instruiți să folosească AI și alte instrumente ML în fluxurile lor de lucru.
• Guvernele creează standarde globale cu privire la limitările și cerințele desfășurării experimentelor științifice generate de IA.

Întrebări de luat în considerare

• Dacă ești om de știință, cum planifică instituția sau laboratorul tău să includă cercetarea asistată de IA?
• Cum credeți că cercetarea generată de inteligența artificială va afecta piața muncii pentru oamenii de știință și cercetători?