AI-wittenskiplik ûndersyk: it wiere doel fan masinelearen

Ofbyldingskredyt:
Image credit
iStock

AI-wittenskiplik ûndersyk: it wiere doel fan masinelearen

AI-wittenskiplik ûndersyk: it wiere doel fan masinelearen

Subheading tekst
Undersikers testen de kapasiteit fan keunstmjittige yntelliginsje om grutte hoemannichten gegevens te evaluearjen dy't kinne liede ta trochbraak ûntdekkingen.
    • Skriuwer:
    • Namme fan auteur
      Quantumrun Foresight
    • Mei 11, 2023

    It ûntwikkeljen fan hypotezen is tradisjoneel beskôge as in inkeld minsklike aktiviteit, om't it kreativiteit, yntuysje en kritysk tinken fereasket. Mei technologyske foarútgong draaie wittenskippers lykwols hieltyd mear nei masine learen (ML) om nije ûntdekkingen te generearjen. Algoritmen kinne grutte hoemannichten gegevens fluch analysearje en patroanen identifisearje dy't minsken miskien net kinne sjen.

    Kontekst

    Yn stee fan ôfhinklik fan minsklike foaroardielen, hawwe ûndersikers ML-algoritmen foar neuronale netwurken konstruearre mei in ûntwerp ynspireare troch it minsklik brein, wat suggerearret nije hypotezen basearre op gegevenspatroanen. As resultaat kinne in protte gebieten gau nei ML draaie om wittenskiplike ûntdekking te fersnellen en minsklike foaroardielen te ferminderjen. Yn it gefal fan net ûndersochte batterijmaterialen hawwe wittenskippers tradisjoneel fertroud op databasessyktechniken, modellering en har gemyske sin om leefbere molekulen te identifisearjen. In team fan 'e UK-basearre Universiteit fan Liverpool brûkte ML om it kreatyf proses te ferienfâldigjen. 

    Earst makken de ûndersikers in neuraal netwurk dat prioritearre gemyske kombinaasjes basearre op har kâns op it produsearjen fan in weardefol nij materiaal. De wittenskippers brûkten doe dizze ranglist om har laboratoariumstúdzjes te begelieden. As resultaat fûnen se fjouwer libbensfetbere keuzes foar batterijmateriaal sûnder alles op har list te testen, en sparje se moannen fan probearjen en flater. Nije materialen binne net it ienige fjild dêr't ML ûndersyk kin helpe. Undersikers brûke ek neurale netwurken om wichtiger technologyske en teoretyske problemen op te lossen. Bygelyks, in natuerkundige oan it Ynstitút foar Teoretyske Fysika fan Zürich, Renato Renner, hopet in gearhingjende ferklearring te ûntwikkeljen fan hoe't de wrâld wurket mei ML. 

    Derneist kinne mear ferfine generative AI-modellen lykas OpenAI's ChatGPT ûndersikers automatysk nije gegevens, modellen en hypotezen generearje. Dizze feat wurdt berikt troch techniken lykas generative adversarial netwurken (GAN's), fariaasje autoencoders (VAE's), en transformator-basearre taalmodellen (lykas Generative Pre-trained Transformer-3 of GPT-3). Dizze AI-modellen kinne wurde brûkt om syntetyske datasets te generearjen, nije ML-arsjitektuer te ûntwerpen en te optimalisearjen, en nije wittenskiplike hypotezen te ûntwikkeljen troch patroanen en relaasjes te identifisearjen yn gegevens dy't earder ûnbekend wiene.

    Disruptive ynfloed

    Wittenskippers kinne hieltyd mear generative AI brûke om te helpen mei ûndersyk. Mei de mooglikheid om patroanen te analysearjen en útkomsten te foarsizzen basearre op dy kennis, kinne dizze modellen komplekse teoryen fan wittenskip oplosse dy't troch de minskheid net oplost binne bleaun. Dit sil net allinich tiid en jild besparje, mar it sil ek it minsklik begryp fan wittenskip helpe om fier bûten har hjoeddeistige grinzen te wreidzjen. 

    In ûndernimming foar ûndersyk en ûntwikkeling (R&D) sil it wierskynlik makliker fine om passende finansiering te sammeljen, om't ML gegevens rapper kin ferwurkje. Dêrtroch sille wittenskippers mear bystân sykje troch nije meiwurkers oan te nimmen of gear te wurkjen mei bekende bedriuwen en bedriuwen om bettere resultaten te produsearjen. De totale ynfloed fan dizze belangstelling sil posityf wêze, net allinich foar wittenskiplike foarútgong, mar ek foar professionals binnen de wittenskiplike fjilden. 

    In potinsjele roadblock is lykwols dat oplossingen fan dizze adaptive modellen faaks útdaagjend binne foar minsken om te begripen, benammen de belutsen redenearring. Trochdat de masines allinich antwurden jouwe en de reden efter de oplossing net ferklearje, kinne wittenskippers ûnwis bliuwe oer it proses en konklúzje. Dizze ûndúdlikens ferswaket it fertrouwen yn 'e resultaten en ferminderet it oantal neuronale netwurken dy't kinne helpe by analyse. Dêrom sil it foar ûndersikers nedich wêze om in model te ûntwikkeljen dat himsels ferklearje kin.

    Gefolgen fan AI wittenskiplik ûndersyk

    Widere gefolgen fan AI wittenskiplik ûndersyk kinne omfetsje:

    • Feroarings yn noarmen foar auteurskip foar ûndersykspapieren, ynklusyf it jaan fan kredyt foar yntellektueel eigendom oan AI. Op deselde manier wurde AI-systemen ien dei útrikt as potinsjele Nobelpriisûntfangers, wat intense debatten kin feroarsaakje oer de fraach oft dizze algoritmen moatte wurde erkend as útfiners.
    • AI-generearre ûndersyk kin liede ta nije foarmen fan oanspraaklikens en fierdere juridyske en etyske fragen yn ferbân mei it brûken fan AI en autonome systemen yn wittenskiplike ûntdekkingen.
    • Wittenskippers wurkje mei ferskate generative AI-ark om medyske ûntjouwings en testen te rapperjen.
    • Tanimmend enerzjyferbrûk feroarsake troch de hege kompjûterkrêft dy't nedich is om dizze útwurke algoritmen út te fieren.
    • Takomstige wittenskippers wurde oplaat om AI en oare ML-ark te brûken yn har workflows.
    • Oerheden dy't wrâldwide noarmen meitsje oer de beheiningen en easken fan it útfieren fan AI-genereare wittenskiplike eksperiminten.

    Fragen om te beskôgje

    • As jo ​​​​in wittenskipper binne, hoe is jo ynstelling of laboratoarium fan plan om AI-stipe ûndersyk op te nimmen?
    • Hoe tinke jo dat AI-genereare ûndersyk de arbeidsmerk sil beynfloedzje foar wittenskippers en ûndersikers?

    Ynsjoch ferwizings

    De folgjende populêre en ynstitúsjonele keppelings waarden ferwiisd foar dit ynsjoch: