Wetenschappelijk AI-onderzoek: het ware doel van machine learning

• Auteur:
• auteursnaam

  Quantumrun-prognose
• 11 mei 2023

Het ontwikkelen van hypothesen wordt van oudsher beschouwd als een uitsluitend menselijke activiteit, omdat het creativiteit, intuïtie en kritisch denken vereist. Met de technologische vooruitgang wenden wetenschappers zich echter steeds meer tot machine learning (ML) om nieuwe ontdekkingen te genereren. Algoritmen kunnen snel grote hoeveelheden gegevens analyseren en patronen identificeren die mensen misschien niet kunnen zien.

Context

In plaats van afhankelijk te zijn van menselijke vooroordelen, hebben onderzoekers ML-algoritmen voor neurale netwerken geconstrueerd met een ontwerp dat is geïnspireerd op het menselijk brein, en nieuwe hypothesen suggereren op basis van gegevenspatronen. Als gevolg hiervan kunnen veel gebieden zich binnenkort tot ML wenden om wetenschappelijke ontdekkingen te versnellen en menselijke vooroordelen te verminderen. In het geval van onontgonnen batterijmaterialen, vertrouwden wetenschappers traditioneel op database-zoektechnieken, modellering en hun chemische gevoel om levensvatbare moleculen te identificeren. Een team van de in het Verenigd Koninkrijk gevestigde University of Liverpool gebruikte ML om het creatieve proces te vereenvoudigen. 

Eerst creëerden de onderzoekers een neuraal netwerk dat prioriteit gaf aan chemische combinaties op basis van hun waarschijnlijkheid om een ​​waardevol nieuw materiaal te produceren. De wetenschappers gebruikten deze ranglijsten vervolgens om hun laboratoriumonderzoeken te sturen. Het resultaat was dat ze vier levensvatbare keuzes voor batterijmateriaal vonden zonder alles op hun lijst te testen, waardoor ze maanden van vallen en opstaan ​​werden bespaard. Nieuwe materialen zijn niet het enige gebied waar ML onderzoek kan helpen. Onderzoekers gebruiken neurale netwerken ook om meer belangrijke technologische en theoretische problemen op te lossen. Een natuurkundige van het Instituut voor Theoretische Fysica in Zürich, Renato Renner, hoopt bijvoorbeeld een samenhangende verklaring te ontwikkelen voor hoe de wereld werkt met behulp van ML. 

Bovendien stellen meer geavanceerde generatieve AI-modellen zoals OpenAI's ChatGPT onderzoekers in staat automatisch nieuwe gegevens, modellen en hypothesen te genereren. Deze prestatie wordt bereikt door technieken zoals generatieve adversariele netwerken (GAN's), variatie-autoencoders (VAE's) en op transformator gebaseerde taalmodellen (zoals Generative Pre-trained Transformer-3 of GPT-3). Deze AI-modellen kunnen worden gebruikt om synthetische datasets te genereren, nieuwe ML-architecturen te ontwerpen en te optimaliseren en nieuwe wetenschappelijke hypothesen te ontwikkelen door patronen en relaties in gegevens te identificeren die voorheen onbekend waren.

Disruptieve impact

Wetenschappers kunnen in toenemende mate generatieve AI gebruiken om te helpen bij onderzoek. Met de mogelijkheid om patronen te analyseren en uitkomsten te voorspellen op basis van die kennis, kunnen deze modellen complexe wetenschappelijke theorieën oplossen die door de mensheid onopgelost zijn gebleven. Dit zal niet alleen tijd en geld besparen, maar het zal het menselijke begrip van de wetenschap ook helpen om ver buiten de huidige grenzen te reiken. 

Een onderzoeks- en ontwikkelingsonderneming (R&D) zal het waarschijnlijk gemakkelijker vinden om de juiste financiering te verzamelen, omdat ML gegevens sneller kan verwerken. Als gevolg hiervan zullen wetenschappers meer hulp zoeken door nieuwe werknemers aan te nemen of samen te werken met bekende bedrijven en bedrijven om tot betere resultaten te komen. De algemene impact van deze interesse zal positief zijn, niet alleen voor wetenschappelijke vooruitgang maar ook voor professionals binnen de wetenschappelijke velden. 

Een mogelijke belemmering is echter dat oplossingen van deze adaptieve modellen voor mensen vaak een uitdaging zijn om te begrijpen, vooral de betrokken redenering. Omdat de machines alleen antwoorden geven en niet de reden achter de oplossing uitleggen, kunnen wetenschappers onzeker blijven over het proces en de conclusie. Deze onduidelijkheid verzwakt het vertrouwen in de resultaten en vermindert het aantal neurale netwerken dat kan helpen bij analyse. Daarom zullen onderzoekers een model moeten ontwikkelen dat zichzelf kan verklaren.

Implicaties van wetenschappelijk onderzoek op het gebied van AI

Bredere implicaties van wetenschappelijk onderzoek op het gebied van AI kunnen zijn:

• Veranderingen in auteursstandaarden voor onderzoekspapers, inclusief het toekennen van intellectuele eigendomsrechten aan AI. Evenzo worden AI-systemen op een dag bekroond als potentiële Nobelprijswinnaars, wat kan leiden tot intense discussies over de vraag of deze algoritmen als uitvinders moeten worden erkend.
• Door AI gegenereerd onderzoek kan leiden tot nieuwe vormen van aansprakelijkheid en verdere juridische en ethische vragen met betrekking tot het gebruik van AI en autonome systemen bij wetenschappelijke ontdekkingen.
• Wetenschappers werken met verschillende generatieve AI-tools om medische ontwikkelingen en testen te versnellen.
• Toenemend energieverbruik veroorzaakt door de hoge rekenkracht die nodig is om deze uitgebreide algoritmen uit te voeren.
• Toekomstige wetenschappers worden opgeleid om AI en andere ML-tools in hun workflows te gebruiken.
• Overheden die wereldwijde normen opstellen voor de beperkingen en vereisten van het uitvoeren van door AI gegenereerde wetenschappelijke experimenten.

Vragen om te overwegen

• Als u een wetenschapper bent, hoe is uw instelling of laboratorium dan van plan AI-ondersteund onderzoek op te nemen?
• Hoe denk je dat door AI gegenereerd onderzoek de arbeidsmarkt voor wetenschappers en onderzoekers zal beïnvloeden?