AI teadusuuringud: masinõppe tegelik eesmärk

PILDIKrediit:
Pildikrediit
iStock

AI teadusuuringud: masinõppe tegelik eesmärk

AI teadusuuringud: masinõppe tegelik eesmärk

Alapealkirja tekst
Teadlased katsetavad tehisintellekti võimet hinnata tohutul hulgal andmeid, mis võivad viia läbimurdeliste avastusteni.
    • Autor:
    • autori nimi
      Quantumrun Foresight
    • Võib 11 2023

    Hüpoteeside väljatöötamist on traditsiooniliselt peetud ainult inimtegevuseks, kuna see nõuab loovust, intuitsiooni ja kriitilist mõtlemist. Kuid koos tehnoloogiliste edusammudega pöörduvad teadlased uudsete avastuste loomiseks üha enam masinõppe (ML) poole. Algoritmid suudavad kiiresti analüüsida suuri andmehulki ja tuvastada mustreid, mida inimesed ei pruugi näha.

    kontekst

    Selle asemel, et sõltuda inimeste eelarvamustest, on teadlased loonud närvivõrgu ML-algoritme, mille kujundus on inspireeritud inimajust, pakkudes välja uusi hüpoteese, mis põhinevad andmemustritel. Selle tulemusena võivad paljud valdkonnad peagi pöörduda ML poole, et kiirendada teaduslikke avastusi ja vähendada inimeste eelarvamusi. Uurimata akumaterjalide puhul on teadlased elujõuliste molekulide tuvastamisel traditsiooniliselt tuginenud andmebaasiotsingu tehnikatele, modelleerimisele ja nende keemilisele mõttele. Ühendkuningriigis asuva Liverpooli ülikooli meeskond kasutas loomeprotsessi lihtsustamiseks ML-i. 

    Esiteks lõid teadlased närvivõrgu, mis eelistas keemilisi kombinatsioone, lähtudes nende tõenäosusest toota väärtuslikku uut materjali. Seejärel kasutasid teadlased neid paremusjärjestusi oma laboriuuringute juhtimiseks. Selle tulemusel leidsid nad neli elujõulist akumaterjali valikut, ilma kõike loendis olevat testimata, säästes neid kuid katse-eksituseta. Uued materjalid ei ole ainus valdkond, kus ML võib uurimistööd aidata. Teadlased kasutavad närvivõrke ka olulisemate tehnoloogiliste ja teoreetiliste probleemide lahendamiseks. Näiteks loodab Zürichi teoreetilise füüsika instituudi füüsik Renato Renner välja töötada ühtse selgituse maailma toimimise kohta ML-i abil. 

    Lisaks võimaldavad keerukamad generatiivsed AI mudelid, nagu OpenAI ChatGPT, teadlastel automaatselt luua uusi andmeid, mudeleid ja hüpoteese. See saavutus saavutatakse selliste tehnikate abil nagu generatiivsed vastandlikud võrgud (GAN), variatsioonilised automaatkodeerijad (VAE) ja trafopõhised keelemudelid (nagu Generative Pre-trained Transformer-3 või GPT-3). Neid tehisintellekti mudeleid saab kasutada sünteetiliste andmekogumite genereerimiseks, uute ML-arhitektuuride kujundamiseks ja optimeerimiseks ning uute teaduslike hüpoteeside väljatöötamiseks, tuvastades varem tundmatuid mustreid ja seoseid andmetes.

    Häiriv mõju

    Teadlased võivad teadustöös üha enam kasutada generatiivset tehisintellekti. Tänu nendele teadmistele põhinevate mustrite analüüsimise ja tulemuste prognoosimise võimele võivad need mudelid lahendada keerukaid teadusteooriaid, mis on inimkonna poolt lahendamata. See mitte ainult ei säästa aega ja raha, vaid aitab ka inimeste arusaamal teadusest ulatuda palju kaugemale oma praegustest piiridest. 

    Teadus- ja arendustegevuse (R&D) ettevõttel on tõenäoliselt lihtsam koguda sobivat rahastamist, kuna ML suudab andmeid kiiremini töödelda. Selle tulemusena otsivad teadlased rohkem abi, palkades uusi töötajaid või tehes paremate tulemuste saavutamiseks koostööd tuntud ettevõtete ja ettevõtetega. Selle huvi üldine mõju on positiivne mitte ainult teaduse edusammudele, vaid ka teadusvaldkondade spetsialistidele. 

    Potentsiaalne takistus seisneb aga selles, et nende adaptiivsete mudelite lahendusi on inimestel sageli raske mõista, eriti sellega seotud põhjendusi. Kuna masinad annavad ainult vastuseid ja ei selgita lahenduse põhjust, võivad teadlased protsessi ja järelduse osas ebakindlaks jääda. See ebaselgus nõrgendab usaldust tulemuste vastu ja vähendab analüüsimisel abiks olevate närvivõrkude arvu. Seetõttu on teadlastel vaja välja töötada mudel, mis suudab ennast selgitada.

    AI teadusuuringute tagajärjed

    AI teadusuuringute laiemad tagajärjed võivad hõlmata järgmist:

    • Muudatused uurimistööde autoristandardites, sealhulgas tehisintellektuaalomandi krediidi andmine tehisintellektile. Samamoodi autasustatakse tehisintellektisüsteeme ühel päeval potentsiaalsete Nobeli preemia saajatena, mis võib põhjustada intensiivseid vaidlusi selle üle, kas neid algoritme tuleks tunnistada leiutajatena.
    • Tehisintellekti loodud teadusuuringud võivad kaasa tuua uusi vastutuse vorme ning täiendavaid õiguslikke ja eetilisi küsimusi, mis on seotud tehisintellekti ja autonoomsete süsteemide kasutamisega teadusavastustes.
    • Teadlased, kes töötavad erinevate generatiivsete AI-tööriistadega, et kiirendada meditsiini arengut ja testimist.
    • Suurenev energiakasutus, mis on tingitud nende keerukate algoritmide käitamiseks vajalikust suurest arvutusvõimsusest.
    • Tulevasi teadlasi koolitatakse kasutama oma töövoos tehisintellekti ja muid ML-tööriistu.
    • Valitsused loovad ülemaailmseid standardeid tehisintellekti loodud teaduslike katsete läbiviimise piirangute ja nõuete kohta.

    Küsimused, mida kaaluda

    • Kui olete teadlane, siis kuidas kavatseb teie asutus või labor teha tehisintellekti abil teadusuuringuid?
    • Kuidas teie arvates AI-ga loodud teadusuuringud teadlaste ja teadlaste tööturgu mõjutavad?

    Insight viited

    Selle ülevaate jaoks viidati järgmistele populaarsetele ja institutsionaalsetele linkidele: