Lubadused ja lõkse kokkuvõte – teine ​​osa » CCC ajaveeb

CCC toetas selle aasta AAAS-i aastakonverentsil kolme teaduslikku seanssi ja kui te ei saanud isiklikult osaleda, teeme iga seansi kokkuvõtte. Sel nädalal teeme kokkuvõtte seansi tipphetkedest, "Generatiivne AI teaduses: lubadused ja lõksud.” Teises osas teeme kokkuvõtte dr Markus Buehleri ​​ettekandest Generative AI in Mechanobiology.

Dr Markus Buehler alustas oma ettekannet sellega, kuidas generatiivseid mudeleid saab materjaliteaduse uurimisel rakendada. Ajalooliselt materjaliteaduses kogusid teadlased andmeid või töötasid välja võrrandid, et kirjeldada materjalide käitumist ning lahendada need pliiatsi ja paberiga. Arvutite ilmumine võimaldas teadlastel neid võrrandeid palju kiiremini lahendada ja käsitleda väga keerulisi süsteeme, kasutades näiteks statistilist mehaanikat. Mõne probleemi puhul ei piisa aga traditsioonilisest arvutusvõimsusest. Näiteks alloleval pildil on kujutatud ühe väikese valgu võimalike konfiguratsioonide arv (20 ^100  või 1.27 × 10^130 kujundused). See võimalike konfiguratsioonide arv on suurem kui aatomite arv vaadeldavas universumis (10^80 aatomid), muutes selle probleemi lahendamatuks isegi suurimate superarvutite jaoks. 

Enne generatiivseid mudeleid piiras teadlaste loodud võrrandeid ja algoritme teatud tunnus, mida jagasid kõik uurijad aegade algusest: inimkond. „Generatiivne tehisintellekt võimaldab meil ületada inimese kujutlusvõimet, et saaksime leiutada ja avastada asju, mida me pole seni suutnud teha, kas seetõttu, et me pole piisavalt targad või kuna meil pole juurdepääsu igale andmepunktile samal ajal,” ütleb dr Buehler. "Generatiivset tehisintellekti saab kasutada uute võrrandite ja algoritmide tuvastamiseks ning see suudab need võrrandid meie eest lahendada. Veelgi enam, generatiivsed mudelid võivad meile selgitada, kuidas nad need võrrandid välja töötasid ja lahendasid, mis on suure keerukuse korral absoluutselt vajalik, et teadlased mõistaksid mudelite "mõtteprotsesse". Nende mudelite toimimise põhiaspektiks on teabe (nt mõõtmistulemuste) teadmisteks tõlkimine, õppides selle graafilise esituse.  

Allikas: MJ Buehler, Teadusliku avastamise kiirendamine generatiivsete teadmiste ammutamise, graafikupõhise esituse ja multimodaalse intelligentse graafiku arutluskäigu abil, arXiv, 2024

Alloleval joonisel on kujutatud uut materjalikujundust, hierarhilist mütseelipõhist komposiiti, mis on konstrueeritud generatiivsest tehisintellektist ja sisaldab seninägematut kombinatsiooni seeneniidistiku risomorfidest, kollageenist, mineraalsest täiteainest, pinna funktsionaliseerimisest ning poorsuse ja materjali keerulisest koosmõjust. 

Allikas: MJ Buehler, Teadusliku avastamise kiirendamine generatiivsete teadmiste ekstraheerimise, graafikupõhise esituse ja multimodaalse intelligentse graafiku arutluskäiguga, arXiv, 2024. Vasakul: Mycrlium komposiit. Paremal: valgu disain. 

Lisaks võib generatiivne AI aidata meil visualiseerida keerulisi süsteeme. Selle asemel, et kirjeldada aatomitevahelisi interaktsioone, võib tehisintellekt kujutada neid interaktsioone graafikutena, mis kirjeldavad mehhaaniliselt, kuidas materjalid toimivad, käituvad ja interakteeruvad erinevatel skaaladel. Need tööriistad on võimsad, kuid üksi ei ole nende keerukuse probleemide lahendamiseks piisavalt tugevad. Selle lahendamiseks saame kombineerida paljusid mudeleid, näiteks mudeli, mis suudab teha füüsikasimulatsioone, ja teise, mis suudab ennustada jõude ja pingeid ning kuidas kujundada valke. Kui need mudelid suhtlevad, muutuvad nad agentmudeliteks, kus iga üksikmudel on konkreetse eesmärgiga agent. Iga mudeli väljund edastatakse teistele mudelitele ja seda võetakse mudelite väljundite üldisel hindamisel. Agentmudelid võivad simuleerida olemasolevaid andmeid ja genereerida uusi andmeid. Piiratud või nullandmetega piirkondade puhul saavad teadlased simulatsioonide käitamiseks andmete genereerimiseks kasutada füüsikamudeleid. "Seda tüüpi modelleerimine on generatiivsete mudelite jaoks üks tuleviku kasvuvaldkondi," ütleb dr Buehler. Seda tüüpi mudelid suudavad lahendada probleeme, mida varem peeti superarvutite puhul lahendamatuks ja mõnda neist mudelitest saab töötada isegi tavalisel sülearvutil.

Üks peamisi väljakutseid selliste füüsikast inspireeritud generatiivsete tehisintellekti mudelite kujundamisel, millega teadlased endiselt tegelevad, on mudelite elegantne ülesehitamine ja nende sarnasemaks muutmine inimese aju või bioloogiliste süsteemidega. Bioloogilistel süsteemidel on võime oma käitumist muuta, näiteks kui te nahka lõigate, paraneb lõige aja jooksul. Mudeleid saab ehitada sarnaselt toimima. Selle asemel, et treenida mudelit pidevalt haavade parandamiseks, saame neid treenida nii, et neil oleks võimalus need uuesti kokku panna, et dünaamiliselt tegutseda – mõnes mõttes õpetame mudeleid mõtlema kõigepealt küsitavale küsimusele ja sellele, kuidas nad võivad ümber seadistada "ise", et teatud ülesannet kõige paremini lahendada. Seda saab kasutada kvantitatiivsete prognooside tegemiseks (nt lahendada väga keeruline ülesanne, et ennustada valgu energiamaastikku), teha kvalitatiivseid ennustusi ja tulemuste põhjal põhjendada ning integreerida erinevaid teadmisi ja oskusi keeruliste ülesannete vastuste väljatöötamisel. Oluline on see, et mudelid suudavad meile selgitada ka seda, kuidas nad lahenduseni jõudsid, kuidas konkreetne süsteem töötab ja muid üksikasju, mis võivad inimteadlasele huvi pakkuda. Seejärel saame korraldada katseid, et ennustada ja kontrollida nende simulatsioonide tulemusi juhtumite puhul, mis on kõige lootustandvamad ideed, näiteks materjalide disainirakenduste jaoks.

Seejärel rääkis dr Buehler nende generatiivsete mudelite konkreetsetest rakendustest materjaliteaduses. "Energiamaastiku arvutamiseks, et lahendada pöördvoltimise probleem teatud valgu korral, ei pea me isegi teadma, kuidas valk välja näeb, ma pean lihtsalt teadma ehitusplokke ja DNA järjestust, mis määratleb selle valgu ning tingimusi katse viiakse läbi. Kui soovite teatud tüüpi valku, millel on teatud energiamaastik, saame soovi korral ka selle valgu kujundada. Agentmudelid saavad seda teha, kuna neil on võime kombineerida erinevaid mudeleid, prognoose ja andmeid. Seda saab kasutada keerukate uute valkude sünteesimiseks, mida looduses ei eksisteeri. Võime välja mõelda proteiine, millel on ülitugevad kiud, mis asendavad plastikut, või luua paremat kunstlikku toitu või uusi patareisid. Saame kasutada looduse tööriistakasti, et laiendada looduse pakutavast kaugemale ja minna evolutsioonipõhimõtetest palju kaugemale. Näiteks saame kujundada teatud otstarbeks mõeldud materjale, näiteks materjale, mis on väga veniv või millel on teatud optilised omadused, või materjalid, mis muudavad oma omadusi väliste näpunäidete alusel. Praegu esile kerkivad mudelid ei suuda mitte ainult neid probleeme lahendada, vaid võimaldavad ka meile selgitada, kuidas need probleemid lahendatakse. Samuti saavad nad selgitada, miks teatud strateegiad töötavad ja teised mitte. Nad võivad ennustada uusi uuringuid, näiteks paluda mudelil ennustada, kuidas teatud materjal väga üksikasjalikult käitub, ja me saame seda kinnitada laboriuuringute või füüsikasimulatsioonidega. See on hämmastav ja kõlab futuristlikult, kuid tegelikult juhtub see täna.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/