AI vetenskaplig forskning: Maskininlärnings sanna syfte

• Författare:
• författarnamn

  Quantumrun Framsyn
• Maj 11, 2023

Att utveckla hypoteser har traditionellt sett betraktats som enbart en mänsklig aktivitet, eftersom det kräver kreativitet, intuition och kritiskt tänkande. Men med tekniska framsteg vänder sig forskare alltmer till maskininlärning (ML) för att generera nya upptäckter. Algoritmer kan analysera stora mängder data snabbt och identifiera mönster som människor kanske inte kan se.

Sammanhang

Snarare än att vara beroende av mänskliga förutfattade meningar har forskare konstruerat ML-algoritmer för neurala nätverk med en design inspirerad av den mänskliga hjärnan, vilket föreslår nya hypoteser baserade på datamönster. Som ett resultat kan många områden snart vända sig till ML för att påskynda vetenskapliga upptäckter och minska mänskliga fördomar. När det gäller outforskade batterimaterial har forskare traditionellt förlitat sig på databassökningstekniker, modellering och deras kemiska känsla för att identifiera livskraftiga molekyler. Ett team från UK-baserade University of Liverpool anställde ML för att förenkla den kreativa processen. 

Först skapade forskarna ett neuralt nätverk som prioriterade kemiska kombinationer baserat på deras sannolikhet att producera ett värdefullt nytt material. Forskarna använde sedan dessa rankningar för att vägleda sina laboratoriestudier. Som ett resultat hittade de fyra livskraftiga batterimaterialval utan att testa allt på deras lista, vilket besparade dem månader av försök och misstag. Nya material är inte det enda område där ML kan hjälpa forskning. Forskare använder också neurala nätverk för att lösa mer betydande tekniska och teoretiska problem. Till exempel hoppas en fysiker vid Zürichs institut för teoretisk fysik, Renato Renner, kunna utveckla en sammanhållen förklaring av hur världen fungerar med hjälp av ML. 

Dessutom tillåter mer sofistikerade generativa AI-modeller som OpenAI:s ChatGPT forskare att automatiskt generera nya data, modeller och hypoteser. Denna bedrift uppnås genom tekniker som generativa motstridiga nätverk (GAN), variationsautokodare (VAE) och transformatorbaserade språkmodeller (som Generative Pre-trained Transformer-3 eller GPT-3). Dessa AI-modeller kan användas för att generera syntetiska datamängder, designa och optimera nya ML-arkitekturer och utveckla nya vetenskapliga hypoteser genom att identifiera mönster och samband i data som tidigare var okända.

Störande inverkan

Forskare kan i allt större utsträckning använda generativ AI för att hjälpa till med forskning. Med förmågan att analysera mönster och förutsäga resultat baserat på den kunskapen, kan dessa modeller lösa komplexa vetenskapsteorier som har förblivit olösta av mänskligheten. Detta kommer inte bara att spara tid och pengar, utan det kommer också att hjälpa människans förståelse av vetenskap att sträcka sig långt utanför dess nuvarande gränser. 

En forsknings- och utvecklingssatsning (FoU) kommer sannolikt att ha lättare att samla in lämplig finansiering eftersom ML kan bearbeta data snabbare. Som ett resultat kommer forskare att söka mer hjälp genom att anställa nya medarbetare eller samarbeta med välkända företag och företag för att få bättre resultat. Den övergripande effekten av detta intresse kommer att vara positiv, inte bara för vetenskapliga framsteg utan också för yrkesverksamma inom de vetenskapliga områdena. 

En potentiell vägspärr är dock att lösningar från dessa adaptiva modeller ofta är utmanande för människor att förstå, särskilt resonemanget. På grund av att maskinerna bara ger ut svar och inte förklarar orsaken bakom lösningen, kan forskarna förbli osäkra på processen och slutsatsen. Denna otydlighet försvagar förtroendet för resultaten och minskar antalet neurala nätverk som kan hjälpa till med analys. Därför kommer det att bli nödvändigt för forskare att utveckla en modell som kan förklara sig själv.

Implikationer av AI-vetenskaplig forskning

Vidare implikationer av AI-vetenskaplig forskning kan inkludera:

• Förändringar i författarskapsstandarder för forskningsartiklar, inklusive att ge immateriella rättigheter till AI. På samma sätt kommer AI-system en dag att tilldelas som potentiella Nobelpristagare, vilket kan orsaka intensiva debatter om huruvida dessa algoritmer ska erkännas som uppfinnare.
• AI-genererad forskning kan leda till nya former av ansvar och ytterligare juridiska och etiska frågor relaterade till användning av AI och autonoma system i vetenskapliga upptäckter.
• Forskare som arbetar med olika generativa AI-verktyg för att snabba upp medicinsk utveckling och testning.
• Ökande energianvändning orsakad av den höga datorkraft som krävs för att köra dessa utarbetade algoritmer.
• Framtida forskare utbildas i att använda AI och andra ML-verktyg i sina arbetsflöden.
• Regeringar skapar globala standarder för begränsningar och krav för att utföra AI-genererade vetenskapliga experiment.

Frågor att överväga

• Om du är en vetenskapsman, hur planerar din institution eller ditt laboratorium att införliva AI-stödd forskning?
• Hur tror du att AI-genererad forskning kommer att påverka arbetsmarknaden för forskare och forskare?