Наукові дослідження ШІ: Справжня мета машинного навчання

КРЕДИТ ЗОБРАЖЕННЯ:
Кредит зображення
iStock

Наукові дослідження ШІ: Справжня мета машинного навчання

Наукові дослідження ШІ: Справжня мета машинного навчання

Текст підзаголовка
Дослідники перевіряють здатність штучного інтелекту оцінювати величезну кількість даних, що може призвести до проривних відкриттів.
    • Автор:
    • ім'я автора
      Quantumrun Foresight
    • Травень 11, 2023

    Висування гіпотез традиційно вважалося виключно людською діяльністю, оскільки вимагає творчих здібностей, інтуїції та критичного мислення. Однак із технологічним прогресом вчені все частіше звертаються до машинного навчання (ML) для створення нових відкриттів. Алгоритми можуть швидко аналізувати великі обсяги даних і виявляти шаблони, які люди можуть не бачити.

    Контекст

    Замість того, щоб залежати від упереджених уявлень людини, дослідники створили нейронні мережеві алгоритми ML з дизайном, натхненним людським мозком, пропонуючи нові гіпотези на основі шаблонів даних. Як наслідок, незабаром багато сфер можуть перейти до ML, щоб прискорити наукові відкриття та зменшити людські упередження. У випадку з невивченими акумуляторними матеріалами вчені традиційно покладалися на методи пошуку в базі даних, моделювання та їх хімічний аналіз для ідентифікації життєздатних молекул. Команда з британського Університету Ліверпуля застосувала ML, щоб спростити творчий процес. 

    По-перше, дослідники створили нейронну мережу, яка визначала пріоритети хімічних комбінацій на основі ймовірності виробництва нового цінного матеріалу. Потім вчені використовували ці рейтинги для керівництва своїми лабораторними дослідженнями. У результаті вони знайшли чотири життєздатні варіанти матеріалів для батареї, не перевіряючи все зі свого списку, заощадивши місяці проб і помилок. Нові матеріали — не єдина сфера, де МЛ може допомогти в дослідженнях. Дослідники також використовують нейронні мережі для вирішення більш важливих технологічних і теоретичних проблем. Наприклад, фізик з Інституту теоретичної фізики Цюріха Ренато Реннер сподівається розробити цілісне пояснення того, як влаштований світ, використовуючи ML. 

    Крім того, більш складні генеративні моделі ШІ, такі як ChatGPT OpenAI, дозволяють дослідникам автоматично створювати нові дані, моделі та гіпотези. Це досягнення досягається за допомогою таких методів, як генеративні змагальні мережі (GAN), варіаційні автокодери (VAE) і мовні моделі на основі трансформаторів (такі як Generative Pre-trained Transformer-3 або GPT-3). Ці моделі штучного інтелекту можна використовувати для створення синтетичних наборів даних, проектування та оптимізації нових архітектур машинного навчання та розробки нових наукових гіпотез шляхом виявлення шаблонів і зв’язків у даних, які раніше були невідомі.

    Руйнівний вплив

    Вчені можуть все частіше використовувати генеративний ШІ для допомоги в дослідженнях. Маючи здатність аналізувати закономірності та передбачати результати на основі цих знань, ці моделі можуть розв’язати складні теорії науки, які залишилися нерозгаданими людством. Це не тільки заощадить час і гроші, але й допоможе людському розумінню науки вийти далеко за її нинішні межі. 

    Дослідницько-конструкторським підприємствам (НДДКР), швидше за все, буде легше отримати належне фінансування, оскільки ML може швидше обробляти дані. У результаті вчені шукатимуть додаткової допомоги, наймаючи нових співробітників або співпрацюючи з відомими підприємствами та компаніями для отримання кращих результатів. Загальний вплив цього інтересу буде позитивним не лише для наукових досягнень, а й для професіоналів у наукових галузях. 

    Однак потенційна перешкода полягає в тому, що людям часто складно зрозуміти рішення з цих адаптивних моделей, особливо міркування. Через те, що машини дають лише відповіді та не пояснюють причину рішення, вчені можуть залишатися невпевненими щодо процесу та висновків. Ця невідомість послаблює довіру до результатів і зменшує кількість нейронних мереж, які можуть допомогти в аналізі. Тому дослідникам необхідно буде розробити модель, яка зможе пояснити себе.

    Наслідки наукових досліджень ШІ

    Більш широкі наслідки наукових досліджень ШІ можуть включати:

    • Зміни в стандартах авторства для дослідницьких робіт, у тому числі надання права інтелектуальної власності ШІ. Подібним чином системи штучного інтелекту одного разу будуть нагороджені як потенційні лауреати Нобелівської премії, що може спричинити інтенсивні дебати щодо того, чи слід визнавати ці алгоритми винахідниками.
    • Дослідження, створені штучним інтелектом, можуть призвести до нових форм відповідальності та подальших юридичних і етичних питань, пов’язаних із використанням ШІ та автономних систем у наукових відкриттях.
    • Науковці працюють із різними генеративними інструментами штучного інтелекту, щоб пришвидшити медичні розробки та тестування.
    • Збільшення споживання енергії через високу обчислювальну потужність, необхідну для роботи цих складних алгоритмів.
    • Майбутніх науковців навчають використовувати штучний інтелект та інші інструменти машинного навчання у своїх робочих процесах.
    • Уряди створюють глобальні стандарти щодо обмежень і вимог до проведення наукових експериментів, створених ШІ.

    Питання для розгляду

    • Якщо ви науковець, як ваша установа чи лабораторія планує включити дослідження за допомогою ШІ?
    • Як, на вашу думку, дослідження, створені ШІ, вплинуть на ринок праці вчених і дослідників?

    Посилання на Insight

    Для цієї інформації використовувалися такі популярні та інституційні посилання: