Lupaukset ja sudenkuopat Kertomus – Osa kaksi » CCC-blogi

CCC tuki kolmea tieteellistä istuntoa tämän vuoden AAAS-vuosikonferenssissa, ja jos et päässyt osallistumaan henkilökohtaisesti, teemme yhteenvedon jokaisesta istunnosta. Tällä viikolla teemme yhteenvedon istunnon kohokohdista "Generatiivinen tekoäly tieteessä: lupaukset ja sudenkuopat.” Toisessa osassa teemme yhteenvedon tohtori Markus Buehlerin esityksestä Generatiivinen tekoäly mechanobiologiassa.

Tohtori Markus Buehler aloitti esityksensä pohtimalla, kuinka generatiivisia malleja voidaan soveltaa materiaalitieteen tutkimuksessa. Materiaalitieteen historiassa tutkijat keräsivät tietoa tai kehittivät yhtälöitä kuvaamaan materiaalien käyttäytymistä ja ratkaisivat ne kynällä ja paperilla. Tietokoneiden ilmaantumisen ansiosta tutkijat pystyivät ratkaisemaan yhtälöitä paljon nopeammin ja käsittelemään erittäin monimutkaisia ​​järjestelmiä esimerkiksi tilastomekaniikan avulla. Joihinkin ongelmiin perinteinen laskentateho ei kuitenkaan riitä. Esimerkiksi alla oleva kuva esittää yksittäisen pienen proteiinin mahdollisten konfiguraatioiden määrää (20 ^100  tai 1.27 × 10^130 mallit). Tämä mahdollisten konfiguraatioiden määrä on suurempi kuin havaittavissa olevan universumin atomien määrä (10^80 atomit), mikä tekee tästä ongelmasta vaikeaselkoisen jopa suurimmille supertietokoneille. 

Ennen generatiivisia malleja tiedemiesten luomia yhtälöitä ja algoritmeja rajoitti tietty ominaisuus, joka on ollut kaikille tutkijoille aikojen alusta asti: ihmiskunta. "Generatiivisen tekoälyn avulla voimme ylittää ihmisen mielikuvituksen, jotta voimme keksiä ja löytää asioita, joita emme ole pystyneet tähän mennessä, joko siksi, ettemme ole tarpeeksi älykkäitä tai koska meillä ei ole kykyä päästä käsiksi jokaiseen datapisteeseen. samaan aikaan”, sanoo tohtori Buehler. "Generatiivista tekoälyä voidaan käyttää uusien yhtälöiden ja algoritmien tunnistamiseen, ja se voi ratkaista nämä yhtälöt puolestamme. Lisäksi generatiiviset mallit voivat myös selittää meille, kuinka ne ovat kehittäneet ja ratkaisseet nämä yhtälöt, mikä on erittäin monimutkaisella tasolla tutkijoiden ehdottoman välttämätöntä ymmärtääkseen mallien "ajatteluprosesseja". Näiden mallien toiminnassa keskeinen näkökohta on tietojen (esim. mittaustulosten) muuntaminen tiedoksi oppimalla graafinen esitys siitä.  

Lähde: MJ Buehler, Tieteellisen löydön nopeuttaminen generatiivisen tiedon poimimisen, graafiin perustuvan esityksen ja multimodaalisen älykkään graafisen päättelyn avulla, arXiv, 2024

Alla olevassa kuvassa on uusi materiaalisuunnittelu, hierarkkinen rihmastopohjainen komposiitti, joka on rakennettu generatiivisesta tekoälystä ja sisältää ennennäkemättömän yhdistelmän rihmastomorfeja, kollageenia, mineraalitäyteainetta, pinnan funktionalisaatiota ja monimutkaista huokoisuuden ja materiaalin vuorovaikutusta. 

Lähde: MJ Buehler, Tieteellisen löydön nopeuttaminen generatiivisen tiedon poimimisen, graafiin perustuvan esityksen ja multimodaalisen älykkään graafisen päättelyn avulla, arXiv, 2024. Vasemmalla: Mycrlium-komposiitti. Oikealla: Proteiinisuunnittelu. 

Lisäksi generatiivinen tekoäly voi auttaa meitä visualisoimaan monimutkaisia ​​järjestelmiä. Sen sijaan, että kuvaisi atomien välistä vuorovaikutusta, tekoäly voi esittää näitä vuorovaikutuksia kaavioissa, jotka kuvaavat mekaanisesti materiaalien toimintaa, käyttäytymistä ja vuorovaikutusta eri mittakaavassa. Nämä työkalut ovat tehokkaita, mutta ne eivät yksinään riitä ratkaisemaan näiden monimutkaisten ongelmien ratkaisemista. Tämän ratkaisemiseksi voimme yhdistää monia malleja, kuten mallin, joka voi tehdä fysiikan simulaatioita, ja toisen, joka voi ennustaa voimia ja jännityksiä sekä proteiinien suunnittelua. Kun nämä mallit kommunikoivat, niistä tulee agenttimalleja, joissa jokainen yksittäinen malli on agentti jolla on tietty tarkoitus. Kunkin mallin tuotos välitetään muille malleille ja otetaan huomioon mallien tuotosten kokonaisarvioinnissa. Agenttimallit voivat suorittaa simulaatioita olemassa olevalle datalle ja luoda uutta dataa. Joten alueilla, joilla on rajoitettu tai nolla dataa, tutkijat voivat käyttää fysiikan malleja datan luomiseen simulaatioiden suorittamista varten. "Tämäntyyppinen mallinnus on yksi generatiivisten mallien tulevaisuuden kasvualueista", sanoo tohtori Buehler. Tämäntyyppiset mallit voivat ratkaista ongelmia, joita aiemmin pidettiin vaikeasti supertietokoneissa, ja jotkut näistä malleista voivat toimia jopa tavallisessa kannettavassa tietokoneessa.

Yksi suurimmista haasteista tällaisten fysiikan inspiroimien generatiivisten tekoälymallien suunnittelussa, jota tutkijat yhä käsittelevät, on mallien rakentaminen tyylikkäästi ja niiden tekeminen samanlaisiksi kuin ihmisen aivot tai biologiset järjestelmät. Biologisilla järjestelmillä on kyky muuttaa käyttäytymistään, esimerkiksi kun leikkaat ihoasi, viilto paranee ajan myötä. Mallit voidaan rakentaa toimimaan samalla tavalla. Sen sijaan, että kouluttaisimme mallin korjaamaan haavan aina, voimme kouluttaa heidät niin, että ne pystyvät koomaan ne uudelleen toimimaan dynaamisesti – jossain mielessä koulutamme malleja ajattelemaan ensin kysyttyä kysymystä ja sitä, kuinka ne voivat pystyä konfiguroimaan uudelleen. "itse" ratkaistakseen tietyn tehtävän parhaiten. Tämän avulla voidaan tehdä kvantitatiivisia ennusteita (esim. ratkaista erittäin monimutkainen tehtävä ennustaa proteiinin energiamaisemaa), tehdä laadullisia ennusteita ja perustella tuloksia sekä integroida erilaista asiantuntemusta ja taitoja, kun monimutkaisiin tehtäviin kehitetään vastauksia. Tärkeää on, että mallit voivat myös selittää meille, kuinka ne päätyivät ratkaisuun, miten tietty järjestelmä toimii, ja muita yksityiskohtia, jotka voivat kiinnostaa ihmistieteilijää. Voimme sitten suorittaa kokeita ennustaaksemme ja varmistaaksemme näiden simulaatioiden tulokset lupaavimpien ideoiden tapauksessa, kuten materiaalisuunnittelusovelluksissa.

Tohtori Buehler puhui sitten näiden generatiivisten mallien erityisistä sovelluksista materiaalitieteessä. "Lasketaksemme energiamaiseman käänteisen laskostumisongelman ratkaisemiseksi tietyllä proteiinilla, meidän ei tarvitse edes tietää miltä proteiini näyttää, minun täytyy vain tietää rakennuspalikoita ja DNA-sekvenssi, joka määrittelee tämän proteiinin sekä olosuhteet Kokeilu suoritetaan sisään. Jos haluat tietynlaisen proteiinin tietyllä energiamaisemalla, voimme myös suunnitella sen proteiinin pyynnöstä. Agenttimallit voivat tehdä tämän, koska niillä on kyky yhdistää erilaisia ​​malleja, ennusteita ja dataa. Tätä voidaan käyttää monimutkaisten uusien proteiinien syntetisoimiseen, joita ei ole luonnossa. Voimme keksiä proteiineja, joissa on erittäin vahvoja kuituja muovin korvikkeiksi tai luoda parempaa keinotekoista ruokaa tai uusia paristoja. Voimme käyttää luonnon työkalupakkia laajentaaksemme sen, mitä luonnolla on tarjottavanaan, ja mennä paljon pidemmälle kuin evoluution periaatteet. Voimme esimerkiksi suunnitella materiaaleja tiettyihin tarkoituksiin, kuten materiaalia, joka on erittäin venyvä tai jolla on tietyt optiset ominaisuudet, tai materiaaleja, jotka muuttavat ominaisuuksiaan ulkoisten vihjeiden perusteella. Nyt esiin nousevat mallit eivät ainoastaan ​​pysty ratkaisemaan näitä ongelmia, vaan tarjoavat myös mahdollisuuden selittää meille, kuinka nämä ongelmat ratkaistaan. He voivat myös selittää, miksi tietyt strategiat toimivat ja toiset eivät. He voivat ennustaa uutta tutkimusta, kuten pyytää mallia ennustamaan, kuinka tietty materiaali käyttäytyy hyvin yksityiskohtaisesti, ja voimme validoida tämän laboratoriotutkimuksilla tai fysiikan simulaatioilla. Tämä on hämmentävää ja kuulostaa futuristiselta, mutta se todella tapahtuu tänään."

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/