AI zinātniskā izpēte: mašīnmācīšanās patiesais mērķis

• Autors:
• Autors nosaukums

  Quantumrun Foresight
• 11. gada 2023. maijs

Hipotēžu izstrāde tradicionāli tiek uzskatīta par tikai cilvēka darbību, jo tas prasa radošumu, intuīciju un kritisku domāšanu. Tomēr līdz ar tehnoloģiju attīstību zinātnieki arvien vairāk pievēršas mašīnmācībai (ML), lai radītu jaunus atklājumus. Algoritmi var ātri analizēt lielu datu apjomu un identificēt modeļus, kurus cilvēki, iespējams, nevar redzēt.

konteksts

Tā vietā, lai būtu atkarīgi no cilvēka priekšstatiem, pētnieki ir izveidojuši neironu tīklu ML algoritmus ar cilvēka smadzeņu iedvesmotu dizainu, kas ierosina jaunas hipotēzes, kuru pamatā ir datu modeļi. Tā rezultātā daudzas jomas drīzumā var pievērsties ML, lai paātrinātu zinātnisko atklāšanu un samazinātu cilvēku aizspriedumus. Neizpētītu akumulatoru materiālu gadījumā zinātnieki tradicionāli ir paļāvušies uz datubāzes meklēšanas metodēm, modelēšanu un to ķīmisko sajūtu, lai identificētu dzīvotspējīgas molekulas. Komanda no Apvienotajā Karalistē bāzētās Liverpūles universitātes izmantoja ML, lai vienkāršotu radošo procesu. 

Pirmkārt, pētnieki izveidoja neironu tīklu, kas par prioritāti noteica ķīmiskās kombinācijas, pamatojoties uz to iespējamību radīt vērtīgu jaunu materiālu. Pēc tam zinātnieki izmantoja šos reitingus, lai vadītu savus laboratorijas pētījumus. Rezultātā viņi atrada četras dzīvotspējīgas akumulatora materiālu izvēles, nepārbaudot visu sarakstā, aiztaupot vairākus mēnešus ilgu izmēģinājumu un kļūdu. Jauni materiāli nav vienīgā joma, kurā ML var palīdzēt pētniecībā. Pētnieki izmanto arī neironu tīklus, lai atrisinātu nozīmīgākas tehnoloģiskas un teorētiskas problēmas. Piemēram, Cīrihes Teorētiskās fizikas institūta fiziķis Renato Renners cer izstrādāt vienotu skaidrojumu par to, kā pasaule darbojas, izmantojot ML. 

Turklāt sarežģītāki ģeneratīvie AI modeļi, piemēram, OpenAI ChatGPT, ļauj pētniekiem automātiski ģenerēt jaunus datus, modeļus un hipotēzes. Šis varoņdarbs tiek panākts, izmantojot tādas metodes kā ģeneratīvie pretrunīgie tīkli (GAN), variācijas autokodētāji (VAE) un uz transformatoriem balstīti valodu modeļi (piemēram, ģeneratīvais iepriekš apmācīts transformators-3 vai GPT-3). Šos AI modeļus var izmantot, lai ģenerētu sintētiskas datu kopas, izstrādātu un optimizētu jaunas ML arhitektūras un izstrādātu jaunas zinātniskas hipotēzes, identificējot modeļus un attiecības datos, kas iepriekš nebija zināmi.

Traucējoša ietekme

Zinātnieki arvien vairāk var izmantot ģeneratīvo AI, lai palīdzētu pētniecībā. Ar spēju analizēt modeļus un paredzēt rezultātus, pamatojoties uz šīm zināšanām, šie modeļi var atrisināt sarežģītas zinātnes teorijas, kuras cilvēce joprojām nav atrisināta. Tas ne tikai ietaupīs laiku un naudu, bet arī palīdzēs cilvēka izpratnei par zinātni paplašināties tālu ārpus tās pašreizējām robežām. 

Pētniecības un attīstības (R&D) uzņēmumam, iespējams, būs vieglāk savākt atbilstošu finansējumu, jo ML var apstrādāt datus ātrāk. Rezultātā zinātnieki meklēs lielāku palīdzību, pieņemot darbā jaunus darbiniekus vai sadarbojoties ar labi zināmiem uzņēmumiem un uzņēmumiem, lai sasniegtu labākus rezultātus. Šīs intereses kopējā ietekme būs pozitīva ne tikai zinātnes sasniegumiem, bet arī profesionāļiem zinātnes jomās. 

Tomēr potenciāls šķērslis ir tas, ka šo adaptīvo modeļu risinājumus cilvēkiem bieži ir grūti uztvert, jo īpaši to pamatojumu. Tā kā mašīnas tikai sniedz atbildes un nepaskaidro risinājuma iemeslu, zinātnieki var palikt neskaidri par procesu un secinājumiem. Šī neskaidrība vājina pārliecību par rezultātiem un samazina neironu tīklu skaitu, kas var palīdzēt analīzē. Tāpēc pētniekiem būs jāizstrādā modelis, kas var izskaidrot sevi.

AI zinātniskās izpētes sekas

Plašākas AI zinātniskās izpētes sekas var ietvert:

• Izmaiņas pētniecības darbu autorības standartos, tostarp intelektuālā īpašuma piešķiršana AI. Līdzīgi AI sistēmas kādu dienu tiks apbalvotas kā potenciālie Nobela prēmijas saņēmēji, kas var izraisīt spraigas diskusijas par to, vai šie algoritmi būtu jāatzīst par izgudrotājiem.
• MI radītie pētījumi var radīt jaunus atbildības veidus un citus juridiskus un ētiskus jautājumus saistībā ar AI un autonomo sistēmu izmantošanu zinātniskos atklājumos.
• Zinātnieki strādā ar dažādiem ģeneratīviem AI rīkiem, lai paātrinātu medicīnas attīstību un testēšanu.
• Palielinās enerģijas patēriņš, ko izraisa liela skaitļošanas jauda, ​​kas nepieciešama šo sarežģīto algoritmu darbināšanai.
• Topošie zinātnieki tiek apmācīti savās darbplūsmās izmantot AI un citus ML rīkus.
• Valdības izstrādā globālus standartus AI radītu zinātnisku eksperimentu veikšanas ierobežojumiem un prasībām.

Jautājumi, kas jāapsver

• Ja esat zinātnieks, kā jūsu iestāde vai laboratorija plāno iekļaut AI atbalstītus pētījumus?
• Kā, jūsuprāt, AI radītie pētījumi ietekmēs zinātnieku un pētnieku darba tirgu?