AI 科学研究機械学習の真の目的

画像クレジット:

iStock

AI 科学研究: 機械学習の真の目的

研究者は、画期的な発見につながる膨大な量のデータを評価する人工知能の能力をテストしています。

著者：
著者名
クォンタムラン・フォーサイト
2023 年 5 月 11 日

仮説を立てることは、創造性、直感、および批判的思考を必要とするため、伝統的に人間だけの活動と見なされてきました。しかし、技術の進歩に伴い、科学者はますます機械学習 (ML) に目を向けて新しい発見を生み出しています。アルゴリズムは、大量のデータを迅速に分析し、人間が見ることができないパターンを特定できます。

コンテキスト

研究者は、人間の先入観に頼るのではなく、人間の脳に着想を得た設計のニューラルネットワーク ML アルゴリズムを構築し、データパターンに基づく新しい仮説を提案しています。その結果、科学的発見を加速し、人間の偏見を減らすために、多くの分野がすぐに ML に変わる可能性があります。未踏の電池材料の場合、科学者は伝統的に、データベース検索技術、モデリング、および実行可能な分子を特定するための化学的感覚に依存してきました。英国に本拠を置くリバプール大学のチームは、クリエイティブプロセスを簡素化するために ML を採用しました。

まず、研究者は、価値ある新素材を生産する可能性に基づいて、化学物質の組み合わせに優先順位を付けるニューラルネットワークを作成しました。次に、科学者はこれらのランキングを利用して、実験室での研究を導きました。その結果、リストのすべてをテストすることなく、実行可能なバッテリー材料の選択肢を XNUMX つ見つけたので、何ヶ月もの試行錯誤を省くことができました。 ML が研究に役立つ分野は、新素材だけではありません。研究者はまた、ニューラルネットワークを使用して、より重要な技術的および理論的な問題を解決します。たとえば、チューリッヒの理論物理学研究所の物理学者レナート・レナーは、ML を使用して世界がどのように機能するかについてのまとまりのある説明を開発したいと考えています。

さらに、OpenAI の ChatGPT のようなより洗練された生成 AI モデルにより、研究者は新しいデータ、モデル、および仮説を自動的に生成できます。この偉業は、Generative Adversarial Network (GAN)、Variational autoencoders (VAE)、Transformer ベースの言語モデル (Generative Pre-trained Transformer-3 または GPT-3 など) などの手法によって達成されます。これらの AI モデルを使用して、合成データセットを生成し、新しい ML アーキテクチャを設計および最適化し、以前は知られていなかったデータのパターンと関係を特定することにより、新しい科学的仮説を開発できます。

破壊的な影響

科学者は、研究を支援するためにジェネレーティブ AI をますます使用する可能性があります。パターンを分析し、その知識に基づいて結果を予測する能力を備えたこれらのモデルは、人類によって未解決のままである科学の複雑な理論を解決する可能性があります. これは時間とお金を節約するだけでなく、科学に対する人間の理解を現在の境界をはるかに超えて拡大するのにも役立ちます.

ML はデータをより高速に処理できるため、研究開発 (R&D) ベンチャーは適切な資金を容易に集めることができるでしょう。その結果、科学者は新しい従業員を雇ったり、有名な企業や企業と協力してより良い結果を生み出すことで、より多くの支援を求めるようになります。この関心の全体的な影響は、科学の進歩だけでなく、科学分野の専門家にとってもプラスになります。

ただし、潜在的な障害は、これらの適応モデルからのソリューションが、特に関連する推論を人間が把握するのが難しいことが多いことです。機械は答えを出すだけで、解決策の背後にある理由を説明しないため、科学者はプロセスと結論について不確かなままになる可能性があります. このあいまいさは、結果の信頼性を弱め、分析に役立つニューラルネットワークの数を減らします。したがって、研究者はそれ自体を説明できるモデルを開発する必要があります。

AI科学研究の意味

AI 科学研究のより広い意味には、次のようなものがあります。

AIに知的財産クレジットを与えることを含む、研究論文の著者基準の変更。同様に、いつか AI システムがノーベル賞受賞者候補として授与される日が来ると、これらのアルゴリズムを発明者として認めるべきかどうかについて激しい議論が生じる可能性があります。
AI によって生成された研究は、科学的発見における AI と自律システムの使用に関連する新たな形態の責任と、さらなる法的および倫理的問題につながる可能性があります。
科学者は、さまざまなジェネレーティブ AI ツールを使用して、医療の開発とテストを迅速に進めています。
これらの精巧なアルゴリズムを実行するために必要な高い計算能力によって引き起こされるエネルギー使用量の増加。
将来の科学者は、ワークフローで AI やその他の ML ツールを使用するようにトレーニングされています。
AI によって生成された科学実験を実施する際の制限と要件に関する世界基準を作成する政府。