A felhajtáson túl a mesterséges intelligencia ígéretet tesz a tudományos kutatáshoz

Az elmúlt évtizedben nagy előrelépések történtek a mesterséges intelligencia tudományos felfedezésekben való alkalmazása terén, de a szakembereknek tudniuk kell, hogy mikor és hogyan javíthatják a mesterséges intelligencia használatát, és meg kell küzdeniük a rossz adatminőséggel.

Tól től gyógyszerkutatási, anyagtudomány, az asztrofizika és a magfúzió, az AI-t használó tudósok jobb pontosságot és rövidebb kísérleti időt tapasztalnak.

Megjelent a Nature ma folyóiratban, egy papír a világ minden tájáról érkező 30 kutatóból álló csapat értékeli a sokat hangoztatott területen elért előrehaladást, és megérti, mit kell tenni.

Hanchen Wang, a Stanford Computer Science and Genentech csoport posztdoktori ösztöndíjasa által irányított tanulmány rámutat, hogy az AI segíthet „paraméterek és funkciók optimalizálásában, az adatok gyűjtésére, megjelenítésére és feldolgozására szolgáló eljárások automatizálásában, valamint a jelölt hipotézisek hatalmas tereinek feltárásában. elméletek, hipotézisek generálása és bizonytalanságuk becslése releváns kísérletek javasolásához.”

Például az asztrofizikában, amely a neurális hálózatok felügyelet nélküli tanulási technikája a zajok kiszűrésére, variációs autoenkódereket alkalmaztak a gravitációs hullám detektor paramétereinek becslésére előre betanított fekete lyuk hullámforma modellek alapján. "Ez a módszer akár hat nagyságrenddel gyorsabb, mint a hagyományos módszerek, így praktikussá teszi a tranziens gravitációs hullám események rögzítését" - írja a lap.

Egy másik példa a magfúzió megvalósítására tett kísérletekből származik. Jonas Degrave, a Google DeepMind kutatója kifejlesztett egy mesterséges intelligencia-vezérlőt, amely a tokamak reaktorban lévő mágneses mezőkön keresztül szabályozza a magfúziót. A kutatók megmutatták, hogy egy mesterséges intelligencia hogyan képes valós idejű méréseket végezni az elektromos feszültség szintjéről és a plazmakonfigurációról, hogy segítse a mágneses mező szabályozását és a kísérleti célok elérését.

„[A] megerősítés-tanulási megközelítések hatékonynak bizonyultak a tokamak plazmák mágneses vezérlésében, ahol az algoritmus kölcsönhatásba lép a tokamak szimulátorral, hogy optimalizálja a folyamat vezérlésére vonatkozó irányelvet” – írja a tanulmány.

Bár ígéretes, a mesterséges intelligencia alkalmazásának a tudományban számos kihívással kell szembenéznie ahhoz, hogy szélesebb körben elterjedhessen, érvel a lap.

„Egy mesterséges intelligencia-rendszer gyakorlati megvalósítása összetett szoftver- és hardverfejlesztést foglal magában, amely egymásra épülő lépések sorozatát követeli meg, amelyek az adatkezeléstől és -feldolgozástól az algoritmusok megvalósításáig, valamint a felhasználói és alkalmazási felületek tervezéséig terjednek. A megvalósítás kisebb eltérései jelentős változásokhoz vezethetnek a teljesítményben, és befolyásolhatják az AI-modellek tudományos gyakorlatba való integrálásának sikerét. Ezért mind az adatok, mind a modellek szabványosítását meg kell fontolni” – fogalmazott.

Mindeközben a mély tanulási modellek képzésének véletlenszerű vagy sztochasztikus megközelítése miatt az AI által támogatott eredmények reprodukálása gondot okoz. „A szabványos benchmarkok és a kísérleti tervezés enyhítheti az ilyen problémákat. A reprodukálhatóság javításának másik iránya a nyílt forráskódú kezdeményezések, amelyek nyílt modelleket, adatkészleteket és oktatási programokat tesznek közzé” – teszik hozzá a kutatási cikkek.

Arra is rámutat, hogy a Big Tech túlsúlyban van a mesterséges intelligencia tudományos fejlesztésében, mivel „a frissítések kiszámításához szükséges számítási és adatigények óriásiak, ami nagy energialábnyomot és magas számítási költségeket eredményez”.

A Big Tech hatalmas erőforrásai, valamint a számítási infrastruktúrába és felhőszolgáltatásokba fektetett beruházásai „feszegetik a méretarány és a hatékonyság határait”.

A felsőoktatási intézmények azonban segíthetnének maguknak a több tudományterület jobb integrációjában, miközben olyan egyedi történeti adatbázisokat és mérési technológiákat is kiaknázhatnak, amelyek az ágazaton kívül nem léteznek.

A dokumentum olyan etikai keret kidolgozását szorgalmazza, amely megakadályozza a mesterséges intelligencia téves alkalmazását a tudományban, valamint a jobb oktatást minden tudományterületen.

„Ahogy a mesterséges intelligencia rendszerek olyan teljesítményhez közelednek, amely vetekszik és felülmúlja az embereket, megvalósíthatóvá válik a rutin laboratóriumi munkák helyettesítőjeként történő alkalmazása. Ez a megközelítés lehetővé teszi a kutatók számára, hogy a kísérleti adatokból iteratív módon prediktív modelleket fejlesszenek ki, és kísérleteket válasszanak ki azok fejlesztésére anélkül, hogy manuálisan fáradságos és ismétlődő feladatokat hajtanának végre. Ennek a paradigmaváltásnak a támogatására oktatási programok születnek, amelyek a tudósokat képezik a laboratóriumi automatizálás és a mesterséges intelligencia tudományos kutatásban történő tervezésére, megvalósítására és alkalmazására. Ezek a programok segítenek a tudósoknak abban, hogy megértsék, mikor helyénvaló a mesterséges intelligencia használata, és megakadályozzák az AI-elemzésekből származó félreértelmezett következtetéseket” – áll a közleményben.

A tanulmány megjegyzi, hogy a mély tanulás 2010-es évek elején bekövetkezett térnyerése „jelentősen kiterjesztette e tudományos felfedezési folyamatok hatókörét és ambícióit”.

Kevesebb, mint egy évtizeddel később a Google DeepMind azt állította, hogy az AlphaFold gépi tanulási szoftvere gyorsan és megfelelő pontossággal megjósolta a fehérjék szerkezetét, ami potenciálisan előrelépést jelenthet a gyógyszerkutatásban. Ahhoz, hogy az akadémikus tudomány a tudományágak széles körében alkalmazhasson hasonló technikákat, össze kell szednie magát, hogy felvegye a versenyt a Big Tech tőkéjével. ®

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
• Forrás: https://go.theregister.com/feed/www.theregister.com/2023/08/02/beyond_the_hype_ai_promises/