প্রতিশ্রুতি এবং পিটফলস রিক্যাপ – পার্ট দুই » CCC ব্লগ

এই বছরের AAAS বার্ষিক সম্মেলনে CCC তিনটি বৈজ্ঞানিক সেশন সমর্থন করেছে, এবং আপনি যদি ব্যক্তিগতভাবে উপস্থিত হতে না পারেন, আমরা প্রতিটি সেশনের পুনর্নির্মাণ করব। এই সপ্তাহে, আমরা সেশনের হাইলাইটগুলি সংক্ষিপ্ত করব, "বিজ্ঞানে জেনারেটিভ এআই: প্রতিশ্রুতি এবং ক্ষতি" দ্বিতীয় পর্বে, আমরা মেকানোবায়োলজিতে জেনারেটিভ এআই-এর উপর ডাঃ মার্কাস বুয়েলারের উপস্থাপনা সংক্ষিপ্ত করব।

ডাঃ মার্কাস বুয়েলার তার উপস্থাপনা শুরু করেছিলেন কিভাবে পদার্থ বিজ্ঞানের গবেষণায় জেনারেটিভ মডেল প্রয়োগ করা যায়। ঐতিহাসিকভাবে পদার্থ বিজ্ঞানে, গবেষকরা তথ্য সংগ্রহ করতেন বা সমীকরণগুলি তৈরি করতেন যে কীভাবে উপকরণগুলি আচরণ করে তা বর্ণনা করতে এবং কলম এবং কাগজ দিয়ে তাদের সমাধান করতে। কম্পিউটারের আবির্ভাব গবেষকদের এই সমীকরণগুলিকে আরও দ্রুত সমাধান করতে এবং খুব জটিল সিস্টেমগুলিকে চিকিত্সা করার অনুমতি দেয়, উদাহরণস্বরূপ পরিসংখ্যানগত বলবিদ্যা ব্যবহার করে। কিছু সমস্যার জন্য, তবে, ঐতিহ্যগত কম্পিউটিং শক্তি যথেষ্ট নয়। উদাহরণস্বরূপ, নীচের চিত্রটি একটি ছোট প্রোটিনের সম্ভাব্য কনফিগারেশনের সংখ্যা চিত্রিত করে (20 ^100  বা 1.27×10^130 ডিজাইন)। সম্ভাব্য কনফিগারেশনের এই পরিমাণ পর্যবেক্ষণযোগ্য মহাবিশ্বের পরমাণুর সংখ্যার চেয়ে বেশি (10^80 পরমাণু) এমনকি বৃহত্তম সুপার কম্পিউটারের জন্যও এই সমস্যাটিকে জটিল করে তোলে। 

জেনারেটিভ মডেলের আগে, বিজ্ঞানীদের দ্বারা তৈরি সমীকরণ এবং অ্যালগরিদমগুলি সময়ের শুরু থেকে সমস্ত গবেষকদের দ্বারা ভাগ করা একটি নির্দিষ্ট বৈশিষ্ট্য দ্বারা সীমাবদ্ধ ছিল: মানবতা। "জেনারেটিভ এআই আমাদেরকে মানুষের কল্পনার বাইরে যেতে দেয় যাতে আমরা এমন জিনিসগুলি আবিষ্কার করতে এবং আবিষ্কার করতে পারি যা আমরা এখনও পর্যন্ত করতে পারিনি, কারণ আমরা যথেষ্ট স্মার্ট নই বা প্রতিটি ডেটা পয়েন্টে অ্যাক্সেস করার ক্ষমতা আমাদের নেই। একই সময়ে,” ডঃ বুহলার বলেছেন। “জেনারেটিভ এআই নতুন সমীকরণ এবং অ্যালগরিদম সনাক্ত করতে ব্যবহার করা যেতে পারে এবং আমাদের জন্য এই সমীকরণগুলি সমাধান করতে পারে। অধিকন্তু, জেনারেটিভ মডেলগুলি আমাদেরকে ব্যাখ্যা করতে পারে যে তারা কীভাবে এই সমীকরণগুলিকে বিকশিত এবং সমাধান করেছে, যা, উচ্চ স্তরের জটিলতায়, গবেষকদের মডেলগুলির 'চিন্তা প্রক্রিয়া' বোঝার জন্য একেবারে প্রয়োজনীয়।" এই মডেলগুলি কীভাবে কাজ করে তার একটি মূল দিক হল তথ্য (উদাহরণস্বরূপ পরিমাপের ফলাফল) জ্ঞানে অনুবাদ করে এর একটি গ্রাফ উপস্থাপনা শেখার মাধ্যমে।  

সূত্র: MJ Buehler, জেনারেটিভ নলেজ এক্সট্রাকশন, গ্রাফ-ভিত্তিক প্রতিনিধিত্ব এবং মাল্টিমডাল ইন্টেলিজেন্ট গ্রাফ রিজনিং সহ বৈজ্ঞানিক আবিষ্কারকে ত্বরান্বিত করা, arXiv, 2024

নীচের চিত্রটি একটি নতুন উপাদানের নকশা দেখায়, একটি অনুক্রমিক মাইসেলিয়াম-ভিত্তিক যৌগ, যা জেনারেটিভ AI থেকে নির্মিত এবং এতে মাইসেলিয়াম রাইজোমর্ফ, কোলাজেন, খনিজ ফিলার, পৃষ্ঠের কার্যকারিতা এবং পোরোসিটি এবং উপাদানের একটি জটিল ইন্টারপ্লে এর আগে কখনো দেখা যায়নি এমন সমন্বয় রয়েছে। 

সূত্র: MJ Buehler, জেনারেটিভ নলেজ এক্সট্রাকশন, গ্রাফ-ভিত্তিক রিপ্রেজেন্টেশন এবং মাল্টিমোডাল ইন্টেলিজেন্ট গ্রাফ রিজনিং সহ বৈজ্ঞানিক আবিষ্কারকে ত্বরান্বিত করা, arXiv, 2024। বাম: মাইক্রলিয়াম কম্পোজিট। ডান: প্রোটিন নকশা। 

অধিকন্তু, জেনারেটিভ এআই আমাদের জটিল সিস্টেম কল্পনা করতে সাহায্য করতে পারে। পরমাণুর মধ্যে মিথস্ক্রিয়া বর্ণনা করার পরিবর্তে, AI গ্রাফগুলিতে এই মিথস্ক্রিয়াগুলিকে উপস্থাপন করতে পারে, যা যান্ত্রিকভাবে বর্ণনা করে যে কীভাবে উপকরণগুলি বিভিন্ন স্কেলে কাজ করে, আচরণ করে এবং ইন্টারঅ্যাক্ট করে। এই সরঞ্জামগুলি শক্তিশালী, কিন্তু একা, তারা এই সমস্যাগুলির উচ্চ জটিলতা সমাধান করার জন্য যথেষ্ট শক্তিশালী নয়। এটি সমাধান করার জন্য, আমরা অনেকগুলি মডেলকে একত্রিত করতে পারি, যেমন একটি মডেল যা পদার্থবিদ্যার সিমুলেশন করতে পারে এবং আরেকটি যা শক্তি এবং চাপের পূর্বাভাস দিতে পারে এবং কীভাবে প্রোটিন ডিজাইন করতে পারে। যখন এই মডেলগুলি যোগাযোগ করে তখন তারা এজেন্টিক মডেলে পরিণত হয়, যেখানে প্রতিটি পৃথক মডেল একটি নির্দিষ্ট উদ্দেশ্য সহ একটি এজেন্ট। প্রতিটি মডেলের আউটপুট অন্যান্য মডেলের সাথে যোগাযোগ করা হয় এবং মডেলের আউটপুটগুলির সামগ্রিক মূল্যায়নে বিবেচনা করা হয়। এজেন্টিক মডেলগুলি বিদ্যমান ডেটাতে সিমুলেশন চালাতে পারে এবং নতুন ডেটা তৈরি করতে পারে। তাই সীমিত বা শূন্য ডেটা সহ এলাকার জন্য, গবেষকরা সিমুলেশন চালানোর জন্য ডেটা তৈরি করতে পদার্থবিজ্ঞানের মডেল ব্যবহার করতে পারেন। "এই ধরনের মডেলিং হল জেনারেটিভ মডেলের বিকাশের ভবিষ্যত ক্ষেত্রগুলির মধ্যে একটি," বলেছেন ডঃ বুয়েলার৷ এই ধরণের মডেলগুলি সুপারকম্পিউটারগুলিতে পূর্বে জটিল বলে বিবেচিত সমস্যাগুলি সমাধান করতে পারে এবং এই মডেলগুলির মধ্যে কয়েকটি এমনকি একটি স্ট্যান্ডার্ড ল্যাপটপেও চলতে পারে।

এই ধরনের পদার্থবিজ্ঞান-অনুপ্রাণিত জেনারেটিভ এআই মডেলগুলি ডিজাইন করার ক্ষেত্রে একটি প্রধান চ্যালেঞ্জ যা গবেষকরা এখনও মোকাবেলা করছেন তা হল কীভাবে মডেলগুলিকে মার্জিতভাবে তৈরি করা যায় এবং কীভাবে সেগুলিকে মানব মস্তিষ্ক বা জৈবিক সিস্টেমের সাথে আরও বেশি সাদৃশ্যপূর্ণ করা যায়। জৈবিক সিস্টেমে তাদের আচরণ পরিবর্তন করার ক্ষমতা রয়েছে, যেমন আপনি যখন আপনার ত্বক কাটবেন, সময়ের সাথে সাথে কাটা নিরাময় হবে। মডেলগুলি একইভাবে কাজ করার জন্য তৈরি করা যেতে পারে। একটি মডেলকে সর্বদা একটি কাটা সারানোর জন্য প্রশিক্ষণ দেওয়ার পরিবর্তে, আমরা তাদের গতিশীলভাবে কাজ করার জন্য তাদের পুনরায় একত্রিত করার ক্ষমতা থাকতে প্রশিক্ষণ দিতে পারি - কিছু অর্থে, আমরা মডেলদেরকে প্রথমে জিজ্ঞাসা করা প্রশ্ন সম্পর্কে চিন্তা করার জন্য প্রশিক্ষণ দিই এবং কীভাবে তারা পুনরায় কনফিগার করতে সক্ষম হতে পারে। 'নিজেদের' একটি নির্দিষ্ট কাজের সর্বোত্তম সমাধান করার জন্য। এটি পরিমাণগত ভবিষ্যদ্বাণী করতে ব্যবহার করা যেতে পারে (যেমন একটি প্রোটিনের শক্তির ল্যান্ডস্কেপ ভবিষ্যদ্বাণী করার জন্য একটি অত্যন্ত জটিল কাজ সমাধান করা), গুণগত ভবিষ্যদ্বাণী করা এবং ফলাফলের উপর যুক্তি তৈরি করা, এবং জটিল কাজের উত্তর বিকাশের সাথে সাথে বিভিন্ন দক্ষতা এবং দক্ষতা একীভূত করা। গুরুত্বপূর্ণভাবে, মডেলগুলি আমাদের ব্যাখ্যা করতে পারে যে তারা কীভাবে সমাধানে পৌঁছেছে, কীভাবে একটি নির্দিষ্ট সিস্টেম কাজ করে এবং অন্যান্য বিশদ বিবরণ যা মানব বিজ্ঞানীর আগ্রহের হতে পারে। আমরা তারপরে এই সিমুলেশনগুলির ফলাফলগুলি ভবিষ্যদ্বাণী করতে এবং যাচাই করতে পরীক্ষা চালাতে পারি যেগুলি সবচেয়ে প্রতিশ্রুতিশীল ধারণা, যেমন উপকরণ ডিজাইন অ্যাপ্লিকেশনগুলির জন্য৷

ডঃ বুহলার তখন পদার্থ বিজ্ঞানে এই জেনারেটিভ মডেলের নির্দিষ্ট প্রয়োগের সাথে কথা বলেন। "একটি নির্দিষ্ট প্রোটিন দেওয়া বিপরীত ভাঁজ সমস্যার সমাধান করার জন্য শক্তির ল্যান্ডস্কেপ গণনা করার জন্য, আমাদের প্রোটিনটি দেখতে কেমন তা জানতে হবে না, আমাকে কেবল বিল্ডিং ব্লক এবং ডিএনএ সিকোয়েন্স জানতে হবে যা এই প্রোটিন এবং শর্তগুলিকে সংজ্ঞায়িত করে। পরীক্ষা-নিরীক্ষা করা হয়। আপনি যদি একটি নির্দিষ্ট শক্তির ল্যান্ডস্কেপ সহ একটি বিশেষ ধরণের প্রোটিন চান তবে আমরা সেই প্রোটিনটি চাহিদা অনুসারে ডিজাইন করতে পারি। এজেন্টিক মডেলগুলি এটি করতে পারে কারণ তাদের বিভিন্ন মডেল, ভবিষ্যদ্বাণী এবং ডেটা একত্রিত করার ক্ষমতা রয়েছে। এটি জটিল উপন্যাস প্রোটিন সংশ্লেষ করতে ব্যবহার করা যেতে পারে যা প্রকৃতিতে বিদ্যমান নেই। আমরা এমন প্রোটিন উদ্ভাবন করতে পারি যেগুলিতে প্লাস্টিকের প্রতিস্থাপন হিসাবে সুপার শক্তিশালী ফাইবার রয়েছে, বা আরও ভাল কৃত্রিম খাবার বা নতুন ব্যাটারি তৈরি করতে পারি। আমরা প্রকৃতির টুলবক্স ব্যবহার করতে পারি প্রকৃতি যা অফার করে তার অতীতকে প্রসারিত করতে এবং বিবর্তনীয় নীতির বাইরে যেতে পারি। উদাহরণস্বরূপ, আমরা কিছু নির্দিষ্ট উদ্দেশ্যে উপকরণ ডিজাইন করতে পারি, যেমন একটি উপাদান যা অত্যন্ত প্রসারিত বা নির্দিষ্ট অপটিক্যাল বৈশিষ্ট্য রয়েছে, বা এমন উপাদান যা বাহ্যিক সংকেতের উপর ভিত্তি করে তাদের বৈশিষ্ট্য পরিবর্তন করে। এখন যে মডেলগুলি উদ্ভূত হচ্ছে তা কেবল এই সমস্যাগুলি সমাধান করতে সক্ষম নয়, তবে কীভাবে এই সমস্যাগুলি সমাধান করা হয় তা আমাদের ব্যাখ্যা করার ক্ষমতাও সরবরাহ করে। তারা ব্যাখ্যা করতে পারে কেন নির্দিষ্ট কৌশলগুলি কাজ করে এবং অন্যরা কাজ করে না। তারা নতুন গবেষণার ভবিষ্যদ্বাণী করতে পারে, যেমন একটি মডেলকে ভবিষ্যদ্বাণী করতে বলা যে একটি নির্দিষ্ট উপাদান কীভাবে বিশদভাবে আচরণ করবে, এবং আমরা ল্যাবে গবেষণা অধ্যয়ন বা পদার্থবিজ্ঞানের সিমুলেশনের মাধ্যমে এটিকে যাচাই করতে পারি। এটি মন-বিস্ময়কর, এবং ভবিষ্যতবাদী শোনায়, কিন্তু এটি আসলে আজ ঘটছে।"

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/