من الأسفل إلى الأعلى إلى الأعلى للأسفل: العالمة الحاسوبية أماندا بارنارد تتحدث عن جمال المحاكاة والتعلم الآلي وكيف يتقاطع الاثنان - عالم الفيزياء

من استخدام أجهزة الكمبيوتر العملاقة للاستفادة من أنواع جديدة من المواد إلى تدريب نماذج التعلم الآلي لدراسة الخصائص المعقدة على المستوى النانوي ، العالمة الحاسوبية الأسترالية أماندا بارنارد يعمل في واجهة الحوسبة وعلوم البيانات. استاذ كبير في كلية الحاسبات في الجامعة الوطنية الأسترالية، بارنارد هو أيضًا نائب المدير وقائد العلوم الحسابية. في هذه الأيام ، تستخدم مجموعة متنوعة من الأساليب الحسابية لحل المشكلات عبر العلوم الفيزيائية ، لكن بارنارد بدأت حياتها المهنية كفيزيائية ، وحصلت على درجة الدكتوراه في فيزياء المادة المكثفة النظرية في عام 2003.

بعد قضاء السنوات القليلة المقبلة كباحث ما بعد الدكتوراه في مركز المواد النانوية في مختبر أرجون الوطني في الولايات المتحدة ، بدأت في توسيع اهتماماتها البحثية لتشمل العديد من جوانب العلوم الحاسوبية ، بما في ذلك استخدام التعلم الآلي في تكنولوجيا النانو وعلوم المواد والكيمياء والطب.

زميل على حد سواء المعهد الاسترالي للفيزياء و الجمعية الملكية للكيمياء، في عام 2022 تم تعيين بارنارد أ عضو في وسام أستراليا. وقد فازت أيضًا بعدد من الجوائز ، بما في ذلك 2014 جائزة Feynman في تقنية النانو (النظرية) و ميدالية 2019 من رابطة مصنعي الجزيئات في أستراليا. تحدثت إلى هاميش جونستون عن اهتمامها بتطبيق التعلم الآلي على مجموعة من المشاكل ، وحول التحديات والمكافآت في إدارة الجامعة.

هل يمكنك إخبارنا قليلاً عما تفعله كعالم حسابي؟

تتضمن العلوم الحسابية تصميم واستخدام النماذج الرياضية لتحليل المشكلات التي تتطلب حسابًا حسابيًا في العديد من مجالات العلوم والهندسة. يتضمن ذلك التطورات في البنية التحتية الحسابية والخوارزميات التي تمكن الباحثين عبر هذه المجالات المختلفة من إجراء تجارب حسابية على نطاق واسع. بطريقة ما ، تتضمن العلوم الحسابية البحث في الحوسبة عالية الأداء ، وليس فقط البحث باستخدام كمبيوتر عالي الأداء.

نقضي معظم وقتنا على الخوارزميات ونحاول معرفة كيفية تنفيذها بطريقة تحقق أفضل استخدام للأجهزة المتقدمة ؛ وهذا الجهاز يتغير طوال الوقت. يتضمن ذلك عمليات المحاكاة التقليدية القائمة على النماذج الرياضية المطورة خصيصًا في المجالات العلمية المختلفة ، سواء كانت فيزياء أو كيمياء أو خارجها. نحن أيضًا نقضي الكثير من الوقت في استخدام طرق من آلة التعلم (ML) و الذكاء الاصطناعي (AI) ، والتي تم تطوير معظمها بواسطة علماء الكمبيوتر ، مما يجعلها بحثًا متعدد التخصصات للغاية. يتيح ذلك استخدام مجموعة كاملة من الأساليب الجديدة في كل هذه المجالات العلمية المختلفة.

يمكّننا التعلم الآلي من استعادة الكثير من التعقيد الذي فقدناه عندما نشتق تلك النظريات الجميلة

ولدت المحاكاة من الجوانب النظرية لكل مجال علمي والتي مكنتنا ، مع بعض المستويات الملائمة من التجريد ، من حل المعادلات. لكن عندما طورنا تلك النظريات ، كانت تقريبًا تبسيطًا زائدًا للمشكلة ، وهو ما تم إجراؤه إما في السعي وراء الأناقة الرياضية أو من أجل التطبيق العملي فقط. تمكننا ML من استعادة الكثير من التعقيد الذي فقدناه عندما نشتق تلك النظريات الجميلة. لكن لسوء الحظ ، لا تعمل جميع أنظمة التعلم الآلي بشكل جيد مع العلم ، ولذا يقضي علماء الحاسوب الكثير من الوقت في محاولة اكتشاف كيفية تطبيق هذه الخوارزميات التي لم يكن الغرض منها مطلقًا استخدامها في هذه الأنواع من مجموعات البيانات للتغلب على بعض المشكلات التي هي من ذوي الخبرة في الواجهة. وهذه واحدة من المجالات المثيرة التي أحبها.

لقد بدأت حياتك المهنية كفيزيائي. ما الذي جعلك تنتقل إلى العلوم الحسابية؟

الفيزياء هي نقطة انطلاق رائعة لأي شيء تقريبًا. لكنني كنت دائمًا على طريق العلوم الحاسوبية دون أن أدرك ذلك. خلال أول مشروع بحثي لي كطالب ، استخدمت الأساليب الحسابية وتم ربطها على الفور. لقد أحببت الترميز ، بدءًا من كتابة الكود وحتى النتائج النهائية ، ولذا عرفت على الفور أن أجهزة الكمبيوتر العملاقة كانت مصممة لتكون أداتي العلمية. كان من المثير التفكير فيما يمكن أن يفعله عالم المواد إذا تمكن من صنع عينات مثالية في كل مرة. أو ما يمكن أن يفعله الكيميائي إذا تمكن من إزالة جميع الملوثات والحصول على ردود فعل مثالية. ماذا يمكننا أن نفعل إذا تمكنا من استكشاف البيئات القاسية أو الخطرة دون المخاطرة بإصابة أي شخص؟ والأهم من ذلك ، ماذا لو تمكنا من القيام بكل هذه الأشياء في وقت واحد ، عند الطلب ، في كل مرة حاولنا فيها؟

يكمن جمال الحواسيب العملاقة في أنها الأداة الوحيدة التي تمكننا من تحقيق هذا شبه الكمال. أكثر ما يأسرني هو أنني لا أستطيع فقط إعادة إنتاج ما يمكن لزملائي القيام به في المختبر ، ولكن أيضًا القيام بكل ما لا يمكنهم فعله في المختبر. لذلك منذ الأيام الأولى ، كانت الفيزياء الحاسوبية الخاصة بي على جهاز كمبيوتر. ثم تطورت الكيمياء الحاسوبية الخاصة بي من خلال المواد ، والمعلوماتية المادية ، والآن إلى حد كبير إلى حد كبير ML على وجه الحصر. لكنني دائمًا ما ركزت على الأساليب في كل من هذه المجالات ، وأعتقد أن أساسًا في الفيزياء يمكّنني من التفكير بشكل خلاق للغاية في كيفية التعامل مع كل هذه المجالات الأخرى بطريقة حسابية.

كيف يختلف التعلم الآلي عن محاكاة الكمبيوتر الكلاسيكية؟

معظم أبحاثي الآن هي ML ، ربما 80٪ منها. ما زلت أقوم ببعض عمليات المحاكاة التقليدية ، لأنها تعطيني شيئًا مختلفًا تمامًا. المحاكاة هي في الأساس نهج من أسفل إلى أعلى. نبدأ ببعض الفهم لنظام أو مشكلة ما ، ونقوم بتشغيل محاكاة ، ثم نحصل على بعض البيانات في النهاية. ML ، في المقابل ، هو نهج من أعلى إلى أسفل. نبدأ بالبيانات ، ونشغل نموذجًا ، ثم ننتهي بفهم أفضل للنظام أو المشكلة. تعتمد المحاكاة على القواعد التي تحددها نظرياتنا العلمية الراسخة ، بينما يعتمد ML على التجارب والتاريخ. غالبًا ما تكون المحاكاة حتمية إلى حد كبير ، على الرغم من وجود بعض الأمثلة على الأساليب العشوائية مثل مونت كارلو. يعد ML مؤشرًا عشوائيًا إلى حد كبير ، على الرغم من وجود بعض الأمثلة الحتمية أيضًا.

باستخدام عمليات المحاكاة ، يمكنني إجراء استقراء جيد جدًا. تمكّننا الكثير من النظريات التي تدعم عمليات المحاكاة من استكشاف مناطق "مساحة التكوين" (الإحداثيات التي تحدد جميع الحالات المحتملة للنظام) أو مناطق المشكلة التي ليس لدينا بيانات أو معلومات عنها. من ناحية أخرى ، يعد ML جيدًا حقًا في الاستيفاء وسد جميع الفجوات وهو جيد جدًا للاستدلال.

في الواقع ، تعتمد الطريقتان على أنواع مختلفة جدًا من المنطق. تعتمد المحاكاة على منطق "if-then-else" ، مما يعني أنه إذا كانت لدي مشكلة معينة أو مجموعة معينة من الشروط ، فسأحصل على إجابة حتمية وإلا ، من الناحية الحسابية ، فمن المحتمل أن تنهار إذا حصلت على من الخطأ. في المقابل ، يعتمد ML على منطق "التقدير - التحسين - التكرار" ، مما يعني أنه سيعطي إجابة دائمًا. هذه الإجابة قابلة للتحسين دائمًا ، لكنها قد لا تكون دائمًا صحيحة ، وهذا فرق آخر.

المحاكاة داخل التخصصات: لها علاقة وثيقة جدًا بمعرفة المجال وتعتمد على الذكاء البشري. من ناحية أخرى ، يعد ML متعدد التخصصات: باستخدام نماذج تم تطويرها خارج المجال الأصلي ، فهو لا يعرف المجال ويعتمد بشكل كبير على الذكاء الاصطناعي. هذا هو السبب في أنني أحب الجمع بين النهجين.

هل يمكنك إخبارنا بالمزيد حول كيفية استخدامك للتعلم الآلي في بحثك؟

قبل ظهور ML ، كان على العلماء أن يفهموا إلى حد كبير العلاقات بين المدخلات والمخرجات. كان علينا أن نحدد هيكل النموذج مسبقًا قبل أن نتمكن من حله. كان يعني أنه كان علينا الحصول على فكرة عن الإجابة قبل أن نتمكن من البحث عنها.

يمكننا تطوير بنية تعبير أو معادلة وحلها في نفس الوقت. يؤدي ذلك إلى تسريع المنهج العلمي ، وهذا سبب آخر يجعلني أحب استخدام التعلم الآلي

عندما تستخدم ML ، تستخدم الآلات تقنيات إحصائية ومعلومات تاريخية لبرمجة نفسها بشكل أساسي. هذا يعني أنه يمكننا تطوير بنية تعبير أو معادلة وحلها في نفس الوقت. هذا يسرع من المنهج العلمي ، وهذا سبب آخر يجعلني أحب استخدامه.

تقنيات ML التي أستخدمها متنوعة. هناك الكثير من النكهات والأنواع المختلفة من ML ، تمامًا كما يوجد الكثير من الأنواع المختلفة للفيزياء الحسابية أو طرق الفيزياء التجريبية. أستخدم التعلم غير الخاضع للإشراف ، والذي يعتمد كليًا على متغيرات الإدخال ، وينظر في تطوير "الأنماط المخفية" أو محاولة العثور على بيانات تمثيلية. هذا مفيد للمواد في علم النانو ، عندما لم نقم بالتجارب ربما لقياس خاصية ، لكننا نعرف القليل عن ظروف الإدخال التي وضعناها لتطوير المادة.

يمكن أن يكون التعلم غير الخاضع للإشراف مفيدًا في العثور على مجموعات من الهياكل ، يشار إليها باسم المجموعات ، التي لها أوجه تشابه في الفضاء عالي الأبعاد ، أو الهياكل النقية والتمثيلية (النماذج الأصلية أو النماذج الأولية) التي تصف مجموعة البيانات ككل. يمكننا أيضًا تحويل البيانات لتعيينها إلى فضاء منخفض الأبعاد وكشف المزيد من أوجه التشابه التي لم تكن ظاهرة من قبل ، بطريقة مماثلة قد نتغير فيها إلى الفضاء المتبادل في الفيزياء.

أستخدم أيضًا تعلم الآلة تحت الإشراف للعثور على العلاقات والاتجاهات ، مثل علاقات الملكية الهيكلية ، والتي تعتبر مهمة في المواد وعلم النانو. وهذا يشمل التصنيف ، حيث لدينا تسمية منفصلة. لنفترض أن لدينا بالفعل فئات مختلفة من الجسيمات النانوية ، وبناءً على خصائصها ، نريد تخصيصها تلقائيًا إلى فئة أو أخرى ، والتأكد من أنه يمكننا بسهولة فصل هذه الفئات بناءً على بيانات الإدخال وحدها.

أنا أستخدم التعلم الإحصائي والتعلم شبه الخاضع للإشراف أيضًا. التعلم الإحصائي ، على وجه الخصوص ، مفيد في العلوم ، على الرغم من أنه لم يتم استخدامه على نطاق واسع حتى الآن. نحن نفكر في ذلك على أنه استنتاج سببي يُستخدم كثيرًا في التشخيص الطبي ، ويمكن تطبيق ذلك على نحو فعال لتشخيص كيفية إنشاء مادة ما ، على سبيل المثال ، بدلاً من مجرد سبب إنشائها.

تضم مجموعة البحث الخاصة بك أشخاصًا لديهم مجموعة واسعة من الاهتمامات العلمية. هل يمكنك أن تعطينا لمحة عن بعض الأشياء التي يدرسونها؟

عندما بدأت في الفيزياء ، لم أفكر مطلقًا في أنني سأكون محاطًا بمثل هذه المجموعة المذهلة من الأشخاص الأذكياء من مختلف المجالات العلمية. تضم مجموعة العلوم الحسابية في الجامعة الوطنية الأسترالية علماء البيئة وعلماء الأرض وعلماء الأحياء الحاسوبية وعلماء المعلومات الحيوية. هناك أيضًا باحثون يدرسون الجينوميات ، وعلم الأعصاب الحسابي ، وكيمياء الكم ، وعلوم المواد ، وفيزياء البلازما ، والفيزياء الفلكية ، وعلم الفلك ، والهندسة ، وتكنولوجيا النانو. لذلك نحن مجموعة متنوعة.

مجموعتنا تشمل جوزيبي برشلونة، الذي يقوم بتطوير الخوارزميات التي تدعم حزم برامج كيمياء الكم المستخدمة في جميع أنحاء العالم. يركز بحثه على كيفية الاستفادة من المعالجات الجديدة ، مثل المسرعات ، وكيف يمكننا إعادة التفكير في كيفية تقسيم الجزيئات الكبيرة وتجزئتها حتى نتمكن من الجمع بشكل استراتيجي بين تدفقات عمل متوازية بشكل كبير. كما أنه يساعدنا في استخدام أجهزة الكمبيوتر العملاقة بكفاءة أكبر ، مما يوفر الطاقة. وعلى مدى العامين الماضيين ، كان يحمل الرقم القياسي العالمي في أفضل خوارزمية قياس في كيمياء الكم.

أيضا على نطاق ضيق - من حيث العلم - هو مينه بوي، وهو متخصص في المعلومات الحيوية يعمل على تطوير نماذج إحصائية جديدة في مجال أنظمة علم الوراثة [مجال متعدد التخصصات يجمع بين البحث التطوري وبيولوجيا الأنظمة وعلم البيئة ، باستخدام طرق من علم الشبكات]. وتشمل هذه النماذج التقسيمية ، والنماذج المدركة للتشابه ، ونماذج التوزيع الشجري. تشمل تطبيقات ذلك مناطق في إنزيمات التمثيل الضوئي أو بيانات نسخ نسالة الحشرات العميقة ، وقد قام بعمل بحث في الطحالب ، بالإضافة إلى البكتيريا والفيروسات مثل فيروس نقص المناعة البشرية والسارس- CoV-2 (الذي يسبب COVID-19).

في النهاية الأكبر للمقياس يوجد عالم رياضيات كوانلينج دينج، الذي يركز بحثه على النمذجة والمحاكاة الرياضية لوسائل الإعلام واسعة النطاق ، مثل ديناميكيات المحيطات والغلاف الجوي ، بالإضافة إلى عوامات الجليد في القطب الجنوبي.

أفضل جزء هو عندما نكتشف أن مشكلة من مجال ما قد تم حلها بالفعل في مجال آخر ، والأفضل من ذلك عندما نكتشف واحدة من ذوي الخبرة في مجالات متعددة حتى نتمكن من التوسع بشكل خطي للغاية. إنه لأمر رائع عندما يكون لأحد الحلول مجالات تأثير متعددة. وكم مرة ستعثر على عالم أعصاب حاسوبي يعمل جنبًا إلى جنب مع فيزيائي بلازما؟ إنه لا يحدث عادة.

بالإضافة إلى العمل مع مجموعتك البحثية ، فأنت أيضًا نائب مدير كلية الحوسبة بالجامعة الوطنية الأسترالية. هل يمكنك إخبارنا قليلاً عن هذا الدور؟

إنه دور إداري إلى حد كبير. بالإضافة إلى العمل مع مجموعة مذهلة من علماء الكمبيوتر عبر علوم البيانات ، والمجالات التأسيسية في اللغات ، وتطوير البرامج ، والأمن السيبراني ، ورؤية الكمبيوتر ، والروبوتات ، وما إلى ذلك ، يمكنني أيضًا إنشاء فرص لأشخاص جدد للانضمام إلى المدرسة وأن يكونوا أفضل نسخة من أنفسهم. يتعلق الكثير من عملي في دور القيادة بالناس. ويشمل ذلك التوظيف ، والاعتناء ببرنامج المسار الوظيفي وبرنامج التطوير المهني لدينا أيضًا. كما أتيحت لي الفرصة لبدء بعض البرامج الجديدة لمجالات اعتقدت أنها بحاجة إلى الاهتمام.

كان أحد الأمثلة خلال جائحة COVID العالمي. تم إغلاق الكثير منا ولم يتمكنوا من الوصول إلى مختبراتنا ، مما جعلنا نتساءل عما يمكننا القيام به. انتهزت الفرصة لتطوير برنامج يسمى زمالة اليوبيل المشتركة، والذي يدعم الباحثين الذين يعملون على الواجهة بين علوم الكمبيوتر ومجال آخر ، حيث يقومون بحل التحديات الكبرى في مجالاتهم ، ولكن أيضًا باستخدام معرفة المجال لإبلاغ أنواع جديدة من علوم الكمبيوتر. دعم البرنامج خمسة من هؤلاء الباحثين في مناطق مختلفة في عام 2021.

أنا أيضا رئيس برنامج المرأة الرائدة، التي لديها منح دراسية ومحاضرات وزمالات لدعم دخول النساء في مجال الحوسبة والتأكد من نجاحهن طوال حياتهن المهنية معنا.

وبالطبع ، فإن أحد الأدوار الأخرى التي أقوم بها كنائب مدير هو رعاية مرافق الحوسبة لمدرستنا. ألقي نظرة على الطرق التي يمكننا من خلالها تنويع مواردنا لتجاوز الأوقات الصعبة ، مثل أثناء COVID ، عندما لم نتمكن من طلب أي معدات جديدة. أنا أنظر أيضًا في كيف يمكننا أن نكون أكثر كفاءة في استخدام الطاقة ، لأن الحوسبة تستخدم كمية هائلة من الطاقة.

يجب أن يكون وقتًا مثيرًا للغاية للأشخاص الذين يجرون أبحاثًا في ML ، حيث تجد التكنولوجيا العديد من الاستخدامات المختلفة. ما هي التطبيقات الجديدة لـ ML التي تتطلع إليها أكثر في بحثك؟

حسنًا ، ربما تكون بعض الأشياء التي سمعت عنها بالفعل ، وهي الذكاء الاصطناعي. على الرغم من وجود مخاطر مرتبطة بالذكاء الاصطناعي ، إلا أن هناك أيضًا فرصة هائلة ، وأعتقد أن الذكاء الاصطناعي التوليدي سيكون ذا أهمية خاصة في السنوات القادمة للعلم - بشرط أن نتمكن من التغلب على بعض المشكلات مع "الهلوسة" [عندما يكون نظام الذكاء الاصطناعي ، مثل نموذج اللغة الكبيرة ، يولد معلومات خاطئة ، بناءً على مجموعة بيانات التدريب أو المنطق السياقي ، أو مزيج منهما].

بغض النظر عن مجال العلم الذي نحن فيه ، نحن مقيدون بالوقت المتاح لدينا والمال والموارد والمعدات التي يمكننا الوصول إليها. هذا يعني أننا نعرض علمنا للخطر لتلائم هذه القيود بدلاً من التركيز على التغلب عليها

ولكن بغض النظر عن مجال العلم الذي نحن فيه ، سواء أكان حسابيًا أم تجريبيًا ، فنحن جميعًا نعاني من عدد من القيود. نحن مقيدون بالوقت المتاح لدينا والمال والموارد والمعدات التي يمكننا الوصول إليها. هذا يعني أننا نعرض علمنا للخطر لتلائم هذه القيود بدلاً من التركيز على التغلب عليها. أعتقد حقًا أن البنية التحتية لا ينبغي أن تملي ما نفعله ، بل يجب أن يكون العكس.

أعتقد أن الذكاء الاصطناعي التوليدي قد حان في الوقت المناسب لتمكيننا أخيرًا من التغلب على بعض هذه المشاكل لأنه لديه الكثير من الإمكانات لملء الفجوات وتزويدنا بفكرة عما كان بإمكاننا فعله ، إذا كان لدينا جميعًا الموارد اللازمة.

في الواقع ، يمكن للذكاء الاصطناعي أن يمكّننا من الحصول على المزيد من خلال عمل أقل وتجنب بعض المزالق مثل التحيز في الاختيار. هذه مشكلة كبيرة حقًا عند تطبيق ML على مجموعات البيانات العلمية. نحن بحاجة إلى القيام بالكثير من العمل للتأكد من أن الأساليب التوليدية تنتج علمًا ذا مغزى ، وليس هلوسة. هذا مهم بشكل خاص إذا كانوا سيشكلون الأساس لنماذج كبيرة مدربة مسبقًا. لكنني أعتقد أن هذا سيكون حقبة مثيرة حقًا للعلم حيث نعمل بشكل تعاوني مع الذكاء الاصطناعي ، بدلاً من مجرد أداء مهمة لنا.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
• المصدر https://physicsworld.com/a/from-bottom-up-to-top-down-computational-scientist-amanda-barnard-on-the-beauty-of-simulations-machine-learning-and-how-the-two-intersect/