Научные исследования ИИ: истинная цель машинного обучения

• Автор:
• Имя автора

  Квантумран Форсайт
• 11 мая 2023

Разработка гипотез традиционно считалась исключительно человеческой деятельностью, так как требует творчества, интуиции и критического мышления. Однако с развитием технологий ученые все чаще обращаются к машинному обучению (МО) для совершения новых открытий. Алгоритмы могут быстро анализировать большие объемы данных и выявлять закономерности, которые люди могут не увидеть.

Контекст

Вместо того, чтобы зависеть от человеческих предубеждений, исследователи построили алгоритмы нейронной сети ML с дизайном, вдохновленным человеческим мозгом, предлагая новые гипотезы, основанные на шаблонах данных. В результате многие области могут вскоре обратиться к ML, чтобы ускорить научные открытия и уменьшить человеческие предубеждения. В случае неисследованных материалов для аккумуляторов ученые традиционно полагались на методы поиска в базе данных, моделирование и их химический смысл для выявления жизнеспособных молекул. Команда из британского Ливерпульского университета использовала машинное обучение для упрощения творческого процесса. 

Во-первых, исследователи создали нейронную сеть, которая отдавала приоритет химическим комбинациям, исходя из их вероятности получения нового ценного материала. Затем ученые использовали эти рейтинги для руководства своими лабораторными исследованиями. В результате они нашли четыре жизнеспособных варианта материала батареи, не проверяя все в своем списке, что избавило их от месяцев проб и ошибок. Новые материалы — не единственная область, в которой машинное обучение может помочь в исследованиях. Исследователи также используют нейронные сети для решения более важных технологических и теоретических задач. Например, физик из Института теоретической физики в Цюрихе Ренато Реннер надеется разработать связное объяснение того, как устроен мир, с помощью машинного обучения. 

Кроме того, более сложные модели генеративного ИИ, такие как ChatGPT от OpenAI, позволяют исследователям автоматически генерировать новые данные, модели и гипотезы. Этот подвиг достигается с помощью таких методов, как генеративно-состязательные сети (GAN), вариационные автоэнкодеры (VAE) и языковые модели на основе преобразователя (такие как генеративный предварительно обученный преобразователь-3 или GPT-3). Эти модели ИИ можно использовать для создания наборов синтетических данных, проектирования и оптимизации новых архитектур машинного обучения, а также разработки новых научных гипотез путем выявления закономерностей и взаимосвязей в данных, которые ранее были неизвестны.

Разрушительное воздействие

Ученые могут все чаще использовать генеративный ИИ для помощи в исследованиях. Обладая способностью анализировать закономерности и прогнозировать результаты на основе этих знаний, эти модели могут решать сложные научные теории, которые человечество так и не решило. Это не только сэкономит время и деньги, но и поможет человеческому пониманию науки выйти далеко за его нынешние границы. 

Предприятию, занимающемуся исследованиями и разработками (НИОКР), скорее всего, будет легче собрать соответствующее финансирование, потому что ML может обрабатывать данные быстрее. В результате ученые будут искать больше помощи, нанимая новых сотрудников или сотрудничая с известными предприятиями и компаниями для достижения лучших результатов. Общее влияние этого интереса будет положительным не только для научных достижений, но и для профессионалов в научных областях. 

Однако потенциальным препятствием является то, что людям часто сложно понять решения этих адаптивных моделей, особенно связанные с ними рассуждения. Из-за того, что машины только дают ответы и не объясняют причину решения, ученые могут оставаться неуверенными в процессе и выводах. Эта неясность ослабляет доверие к результатам и уменьшает количество нейронных сетей, которые могут помочь в анализе. Следовательно, исследователям будет необходимо разработать модель, которая сможет объяснить сама себя.

Последствия научных исследований ИИ

Более широкие последствия научных исследований ИИ могут включать:

• Изменения в стандартах авторства для исследовательских работ, в том числе присвоение интеллектуальной собственности ИИ. Точно так же системы искусственного интеллекта в один прекрасный день будут награждены как потенциальные лауреаты Нобелевской премии, что может вызвать острые дебаты о том, следует ли признать эти алгоритмы изобретателями.
• Исследования с использованием ИИ могут привести к новым формам ответственности и дополнительным юридическим и этическим вопросам, связанным с использованием ИИ и автономных систем в научных открытиях.
• Ученые работают с различными инструментами генеративного ИИ для ускорения медицинских разработок и испытаний.
• Увеличение энергопотребления, вызванное высокой вычислительной мощностью, необходимой для запуска этих сложных алгоритмов.
• Будущие ученые проходят обучение использованию ИИ и других инструментов машинного обучения в своих рабочих процессах.
• Правительства создают глобальные стандарты ограничений и требований к проведению научных экспериментов с использованием ИИ.

Вопросы для рассмотрения

• Если вы ученый, как ваше учреждение или лаборатория планирует проводить исследования с помощью ИИ?
• Как, по вашему мнению, исследования, созданные с помощью ИИ, повлияют на рынок труда для ученых и исследователей?