خلاصه قول ها و دام ها – قسمت دوم » وبلاگ CCC

CCC از سه جلسه علمی در کنفرانس سالانه AAAS امسال پشتیبانی کرد، و در صورتی که نتوانستید شخصاً در آن شرکت کنید، ما هر جلسه را خلاصه می‌کنیم. این هفته، نکات مهم جلسه را خلاصه می کنیم،هوش مصنوعی مولد در علم: وعده ها و دام ها" در قسمت دوم، ارائه دکتر مارکوس بوهلر در مورد هوش مصنوعی در مکانیک زیست شناسی را خلاصه خواهیم کرد.

دکتر مارکوس بوهلر ارائه خود را با پرداختن به اینکه چگونه می توان مدل های مولد را در مطالعه علم مواد به کار برد، آغاز کرد. از لحاظ تاریخی در علم مواد، محققان داده‌ها را جمع‌آوری می‌کنند یا معادلاتی را برای توصیف نحوه رفتار مواد ایجاد می‌کنند و آنها را با قلم و کاغذ حل می‌کنند. ظهور کامپیوترها به محققان این امکان را داد که این معادلات را با سرعت بیشتری حل کنند و سیستم های بسیار پیچیده را برای مثال با استفاده از مکانیک آماری درمان کنند. با این حال، برای برخی مشکلات، قدرت محاسباتی سنتی کافی نیست. به عنوان مثال، تصویر زیر تعداد تنظیمات ممکن یک پروتئین کوچک را نشان می دهد (20 ^100  یا 1.27×10^130 طرح ها). این مقدار از پیکربندی های ممکن بیشتر از تعداد اتم های موجود در جهان قابل مشاهده است (10^80 اتم ها) این مشکل را حتی برای بزرگترین ابررایانه ها غیر قابل حل می کند. 

قبل از مدل‌های مولد، معادلات و الگوریتم‌های ایجاد شده توسط دانشمندان توسط ویژگی خاصی که همه محققان از آغاز زمان به اشتراک گذاشته بودند، محدود می‌شد: بشریت. هوش مصنوعی مولد به ما این امکان را می دهد که فراتر از تصورات انسان برویم تا بتوانیم چیزهایی را اختراع و کشف کنیم که تاکنون قادر به انجام آن نبوده ایم، یا به دلیل اینکه به اندازه کافی باهوش نیستیم یا به دلیل اینکه ظرفیت دسترسی به هر نقطه داده را نداریم. در عین حال، دکتر بوهلر می گوید. هوش مصنوعی مولد می تواند برای شناسایی معادلات و الگوریتم های جدید استفاده شود و می تواند این معادلات را برای ما حل کند. علاوه بر این، مدل‌های مولد همچنین می‌توانند برای ما توضیح دهند که چگونه این معادلات را توسعه داده و حل کرده‌اند، که در سطوح بالایی از پیچیدگی، برای محققان برای درک «فرایندهای فکری» مدل‌ها کاملاً ضروری است. یکی از جنبه‌های کلیدی نحوه کار این مدل‌ها، ترجمه اطلاعات (مثلاً نتایج اندازه‌گیری‌ها) به دانش با یادگیری نمایش نموداری از آن است.  

منبع: MJ Buehler تسریع کشف علمی با استخراج دانش مولد، بازنمایی مبتنی بر نمودار و استدلال نمودار هوشمند چندوجهی، arXiv، 2024

شکل زیر یک طرح مواد جدید، یک کامپوزیت مبتنی بر میسلیوم سلسله مراتبی را نشان می‌دهد که از هوش مصنوعی مولد ساخته شده و دارای ترکیبی از ریزومورف‌های میسلیوم، کلاژن، پرکننده‌های معدنی، عملکرد سطح و تعامل پیچیده‌ای از تخلخل و مواد است. 

منبع: MJ Buehler تسریع کشف علمی با استخراج دانش مولد، نمایش مبتنی بر نمودار، و استدلال نمودار هوشمند چندوجهی، arXiv، 2024. سمت چپ: کامپوزیت Mycrlium. سمت راست: طرح پروتئین. 

علاوه بر این، هوش مصنوعی مولد می تواند به ما در تجسم سیستم های پیچیده کمک کند. به جای توصیف برهمکنش‌های بین اتم‌ها، هوش مصنوعی می‌تواند این برهم‌کنش‌ها را در نمودارها نشان دهد، که به طور مکانیکی نحوه عملکرد، رفتار و برهمکنش مواد در مقیاس‌های مختلف را توصیف می‌کند. این ابزارها قدرتمند هستند، اما به تنهایی برای حل پیچیدگی بالای این مشکلات به اندازه کافی قوی نیستند. برای حل این مشکل، می‌توانیم مدل‌های زیادی را ترکیب کنیم، مانند مدلی که می‌تواند شبیه‌سازی‌های فیزیک را انجام دهد و مدلی دیگر که می‌تواند نیروها و تنش‌ها و نحوه طراحی پروتئین‌ها را پیش‌بینی کند. وقتی این مدل‌ها ارتباط برقرار می‌کنند، تبدیل به مدل‌های عاملی می‌شوند، که در آن هر مدل فردی عاملی با هدفی خاص است. خروجی هر مدل به مدل های دیگر ابلاغ می شود و در ارزیابی کلی خروجی های مدل ها در نظر گرفته می شود. مدل‌های عاملی می‌توانند شبیه‌سازی‌هایی را روی داده‌های موجود اجرا کنند و داده‌های جدیدی تولید کنند. بنابراین برای مناطقی با داده های محدود یا صفر، محققان می توانند از مدل های فیزیک برای تولید داده ها برای اجرای شبیه سازی ها استفاده کنند. دکتر بوهلر می گوید: "این نوع مدل سازی یکی از زمینه های رشد آینده مدل های مولد است." این نوع مدل‌ها می‌توانند مشکلاتی را که قبلاً در ابررایانه‌ها غیرقابل حل در نظر گرفته می‌شد، حل کنند و برخی از این مدل‌ها حتی می‌توانند روی یک لپ‌تاپ استاندارد اجرا شوند.

یکی از چالش‌های اصلی در طراحی چنین مدل‌های هوش مصنوعی مولد الهام‌گرفته از فیزیک که محققان هنوز به آن می‌پردازند، نحوه ساخت مدل‌ها به زیبایی و نحوه شبیه‌تر کردن آنها به مغز انسان یا سیستم‌های بیولوژیکی است. سیستم های بیولوژیکی این توانایی را دارند که رفتار خود را تغییر دهند، مانند زمانی که پوست خود را می برید، بریدگی به مرور زمان بهبود می یابد. مدل ها را می توان برای عمل مشابه ساخت. به جای آموزش مدلی برای ترمیم بریدگی همیشه، می‌توانیم آن‌ها را طوری آموزش دهیم که توانایی جمع‌آوری مجدد آن‌ها را داشته باشند تا به صورت پویا عمل کنند – به نوعی، به مدل‌ها آموزش می‌دهیم که ابتدا به سؤال پرسیده شده فکر کنند و چگونه می‌توانند پیکربندی مجدد کنند. "خود" برای حل یک کار خاص. این می تواند برای پیش بینی های کمی استفاده شود (مثلاً حل یک کار بسیار پیچیده برای پیش بینی چشم انداز انرژی یک پروتئین)، پیش بینی های کیفی و استدلال بر روی نتایج، و ادغام تخصص و مهارت های مختلف به عنوان پاسخ به وظایف پیچیده توسعه می یابد. نکته مهم این است که مدل‌ها همچنین می‌توانند به ما توضیح دهند که چگونه به راه‌حل رسیده‌اند، چگونه یک سیستم خاص کار می‌کند، و جزئیات دیگری که ممکن است برای دانشمند انسانی جالب باشد. سپس می‌توانیم آزمایش‌هایی را برای پیش‌بینی و تأیید نتایج این شبیه‌سازی‌ها برای مواردی که امیدوارکننده‌ترین ایده‌ها هستند، مانند کاربردهای طراحی مواد، اجرا کنیم.

دکتر بوهلر سپس در مورد کاربردهای خاص این مدل های مولد در علم مواد صحبت کرد. برای محاسبه چشم انداز انرژی برای حل مسئله تا شدن معکوس با یک پروتئین خاص، ما حتی نیازی به دانستن شکل ظاهری پروتئین نداریم، من فقط باید بلوک های ساختمانی و توالی DNA را که این پروتئین را تعریف می کند و شرایط را بدانم. آزمایش انجام شده است. اگر نوع خاصی از پروتئین با چشم انداز انرژی خاص می خواهید، ما همچنین می توانیم آن پروتئین را بنا به تقاضا طراحی کنیم. مدل‌های عاملی می‌توانند این کار را انجام دهند زیرا ظرفیت ترکیب مدل‌ها، پیش‌بینی‌ها و داده‌های مختلف را دارند. این می تواند برای سنتز پروتئین های پیچیده جدید که در طبیعت وجود ندارند استفاده شود. ما می‌توانیم پروتئین‌هایی را اختراع کنیم که دارای الیاف فوق‌العاده قوی به‌عنوان جایگزینی برای پلاستیک هستند، یا غذای مصنوعی بهتر یا باتری‌های جدید ایجاد کنیم. ما می‌توانیم از جعبه ابزار طبیعت برای گسترش گذشته از آنچه طبیعت ارائه می‌کند استفاده کنیم و بسیار فراتر از اصول تکاملی برویم. به عنوان مثال، ما می‌توانیم موادی را برای اهداف خاصی طراحی کنیم، مانند موادی که بسیار کشش دارند یا خواص نوری خاصی دارند، یا موادی که خواص خود را بر اساس نشانه‌های خارجی تغییر می‌دهند. مدل هایی که اکنون در حال ظهور هستند نه تنها قادر به حل این مشکلات هستند، بلکه این قابلیت را نیز فراهم می کنند تا برای ما توضیح دهند که چگونه این مشکلات حل می شوند. آنها همچنین می توانند توضیح دهند که چرا استراتژی های خاص کار می کنند و برخی دیگر نه. آنها می‌توانند تحقیقات جدید را پیش‌بینی کنند، مانند درخواست از مدلی برای پیش‌بینی نحوه رفتار یک ماده خاص با جزئیات، و ما می‌توانیم این را با مطالعات تحقیقاتی در آزمایشگاه‌ها یا شبیه‌سازی‌های فیزیک تأیید کنیم. این حیرت‌انگیز است و آینده‌نگر به نظر می‌رسد، اما در واقع امروز اتفاق می‌افتد.»

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/