AI videnskabelig forskning: Maskinlærings sande formål

BILLEDKREDIT:
Image credit
iStock

AI videnskabelig forskning: Maskinlærings sande formål

AI videnskabelig forskning: Maskinlærings sande formål

Underoverskriftstekst
Forskere tester kunstig intelligenss kapacitet til at evaluere enorme mængder data, som kan føre til banebrydende opdagelser.
    • Forfatter:
    • Forfatter navn
      Quantumrun Foresight
    • Maj 11, 2023

    At udvikle hypoteser er traditionelt blevet betragtet som en udelukkende menneskelig aktivitet, da det kræver kreativitet, intuition og kritisk tænkning. Men med teknologiske fremskridt henvender videnskabsmænd sig i stigende grad til maskinlæring (ML) for at generere nye opdagelser. Algoritmer kan analysere store mængder data hurtigt og identificere mønstre, som mennesker måske ikke er i stand til at se.

    Kontekst

    I stedet for at være afhængig af menneskelige forforståelser, har forskere konstrueret neurale netværk ML-algoritmer med et design inspireret af den menneskelige hjerne, hvilket foreslår nye hypoteser baseret på datamønstre. Som et resultat kan mange områder snart henvende sig til ML for at fremskynde videnskabelig opdagelse og mindske menneskelige skævheder. I tilfælde af uudforskede batterimaterialer har videnskabsmænd traditionelt stolet på databasesøgningsteknikker, modellering og deres kemiske sans for at identificere levedygtige molekyler. Et team fra det UK-baserede University of Liverpool ansatte ML til at forenkle den kreative proces. 

    Først skabte forskerne et neuralt netværk, der prioriterede kemiske kombinationer baseret på deres sandsynlighed for at producere et værdifuldt nyt materiale. Forskerne brugte derefter disse ranglister til at guide deres laboratorieundersøgelser. Som et resultat fandt de fire levedygtige batterimaterialevalg uden at teste alt på deres liste, hvilket sparer dem for måneder med forsøg og fejl. Nye materialer er ikke det eneste område, hvor ML kan hjælpe forskning. Forskere bruger også neurale netværk til at løse mere væsentlige teknologiske og teoretiske problemer. For eksempel håber en fysiker ved Zürichs Institut for Teoretisk Fysik, Renato Renner, at udvikle en sammenhængende forklaring på, hvordan verden fungerer ved hjælp af ML. 

    Derudover giver mere sofistikerede generative AI-modeller som OpenAIs ChatGPT forskere mulighed for automatisk at generere nye data, modeller og hypoteser. Denne bedrift opnås gennem teknikker såsom generative adversarielle netværk (GAN'er), variationelle autoencodere (VAE'er) og transformatorbaserede sprogmodeller (såsom Generative Pre-trained Transformer-3 eller GPT-3). Disse AI-modeller kan bruges til at generere syntetiske datasæt, designe og optimere nye ML-arkitekturer og udvikle nye videnskabelige hypoteser ved at identificere mønstre og relationer i data, der tidligere var ukendte.

    Forstyrrende påvirkning

    Forskere kan i stigende grad bruge generativ AI til at hjælpe med forskning. Med evnen til at analysere mønstre og forudsige resultater baseret på den viden, kan disse modeller løse komplekse videnskabsteorier, som er forblevet uløste af menneskeheden. Dette vil ikke kun spare tid og penge, men det vil også hjælpe den menneskelige forståelse af videnskab til at strække sig langt ud over dens nuværende grænser. 

    Et forsknings- og udviklingsprojekt (F&U) vil sandsynligvis finde det lettere at samle passende finansiering, fordi ML kan behandle data hurtigere. Som følge heraf vil forskere søge mere hjælp ved at ansætte nye medarbejdere eller samarbejde med kendte virksomheder og virksomheder for at skabe bedre resultater. Den overordnede effekt af denne interesse vil være positiv, ikke kun for videnskabelige fremskridt, men også for fagfolk inden for de videnskabelige områder. 

    En potentiel blokering er imidlertid, at løsninger fra disse adaptive modeller ofte er udfordrende for mennesker at forstå, især den involverede begrundelse. På grund af at maskinerne kun giver svar og ikke forklarer årsagen bag løsningen, kan forskerne forblive usikre på processen og konklusionen. Denne uklarhed svækker tilliden til resultaterne og reducerer antallet af neurale netværk, der kan hjælpe med analyse. Derfor vil det være nødvendigt for forskere at udvikle en model, der kan forklare sig selv.

    Implikationer af AI videnskabelig forskning

    Bredere implikationer af AI videnskabelig forskning kan omfatte:

    • Ændringer i forfatterskabsstandarder for forskningsartikler, herunder kreditering af intellektuel ejendomsret til AI. Tilsvarende vil AI-systemer en dag blive tildelt som potentielle Nobelprismodtagere, hvilket kan forårsage intense debatter om, hvorvidt disse algoritmer skal anerkendes som opfindere.
    • AI-genereret forskning kan føre til nye former for ansvar og yderligere juridiske og etiske spørgsmål relateret til brugen af ​​AI og autonome systemer i videnskabelige opdagelser.
    • Forskere, der arbejder med forskellige generative AI-værktøjer for at fremskynde medicinsk udvikling og test.
    • Stigende energiforbrug forårsaget af den høje computerkraft, der er nødvendig for at køre disse komplicerede algoritmer.
    • Fremtidige videnskabsmænd bliver uddannet til at bruge AI og andre ML-værktøjer i deres arbejdsgange.
    • Regeringer skaber globale standarder for begrænsningerne og kravene til at udføre AI-genererede videnskabelige eksperimenter.

    Spørgsmål at overveje

    • Hvis du er videnskabsmand, hvordan planlægger din institution eller dit laboratorium at inkorporere AI-støttet forskning?
    • Hvordan tror du, AI-genereret forskning vil påvirke arbejdsmarkedet for videnskabsmænd og forskere?

    Indsigtsreferencer

    Følgende populære og institutionelle links blev refereret til denne indsigt: