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/
- :van
- :is
- :nem
- :ahol
- $ UP
- 30
- 7
- a
- egyetemi
- pontosság
- Elérése
- át
- törvény
- hozzá
- ellen
- Ügynök
- AI
- AI modellek
- AI rendszerek
- algoritmus
- Minden termék
- enyhít
- Is
- becsvágy
- an
- elemzések
- és a
- Másik
- Alkalmazás
- alkalmaz
- Alkalmazása
- megközelítés
- megközelít
- megfelelő
- VANNAK
- azt állítja,
- körül
- mesterséges
- mesterséges intelligencia
- AS
- munkáját
- At
- Kísérletek
- automatizálás
- Automatizálás
- alapján
- BE
- válik
- egyre
- óta
- referenciaértékek
- Jobb
- Túl
- Nagy
- nagy tech
- mindkét
- de
- by
- számít
- kéri
- TUD
- jelölt
- elfog
- kihívás
- kihívások
- Változások
- azt állította,
- felhő
- felhő szolgáltatások
- CO
- gyűjt
- jön
- versenyez
- bonyolult
- számítógép
- Computer Science
- tekintélyes
- figyelembe vett
- ellenőrzés
- ellenőr
- kontrolling
- kiadások
- tudott
- curation
- dátum
- adatbázisok
- adatkészletek
- évtized
- mély
- mély tanulás
- DeepMind
- Design
- tervezés
- Fejleszt
- fejlett
- fejlesztése
- Fejlesztés
- irány
- tudományok
- felfedezés
- do
- csinált
- gyógyszer
- Korai
- Oktatás
- nevelési
- Hatékony
- hatékonyság
- csiszolókő
- lehetővé teszi
- energia
- Mérnöki
- becslés
- etikai
- események
- példa
- létezik
- kiterjesztett
- kísérletek
- kiaknázása
- Feltárása
- gyorsabb
- megvalósítható
- fickó
- mező
- Fields
- Lábnyom
- A
- forma
- Előre
- Keretrendszer
- ból ből
- funkciók
- magfúzió
- generáló
- kap
- földgolyó
- Go
- nagy
- Csoport
- Őr
- kéz
- hardver
- Legyen
- segít
- Magas
- történeti
- Hogyan
- How To
- HTML
- HTTPS
- Az emberek
- hype
- Hatás
- végrehajtás
- végrehajtási
- javul
- javított
- javuló
- in
- Infrastruktúra
- kezdeményezések
- intézmények
- integrálása
- integráció
- Intelligencia
- kölcsönhatásba lép
- interfészek
- Beruházások
- kérdések
- IT
- ITS
- folyóirat
- jpg
- Ismer
- laboratórium
- nagy
- keresztnév
- a későbbiekben
- vezet
- Ugrás
- tanulás
- szintek
- határértékek
- készült
- Mágneses mező
- Gyártás
- kézzel
- mérés
- mérések
- Találkozik
- módszer
- mód
- kisebb
- modell
- modellek
- több
- többszörös
- kell
- Természet
- Szükség
- igények
- hálózatok
- neurális hálózatok
- Zaj
- Megjegyzések
- nukleáris
- Nukleáris fúzió
- szám
- of
- on
- nyitva
- nyílt forráskódú
- Optimalizálja
- optimalizálása
- or
- rendelés
- ki
- kívül
- Papír
- papírok
- paradigma
- paraméterek
- teljesítmény
- előadó
- Vérplazma
- Plató
- Platón adatintelligencia
- PlatoData
- zsebek
- pont
- politika
- szegény
- potenciálisan
- Gyakorlati
- gyakorlat
- jósolt
- megakadályozása
- Probléma
- eljárások
- folyamat
- Folyamatok
- feldolgozás
- programok
- Haladás
- ígér
- biztató
- Fehérjék
- igazolt
- Toló
- világítás
- véletlen
- hatótávolság
- gyorsan
- real-time
- Csökkent
- Szabályoz
- engedje
- ismétlő
- csere
- követelmények
- kutatás
- kutatók
- Tudástár
- kapott
- Eredmények
- Emelkedik
- rivális
- s
- Mondott
- azt mondja,
- Skála
- Tudomány
- tudományos
- Tudós
- tudósok
- hatálya
- szűrés
- szektor
- látás
- látott
- Series of
- Szolgáltatások
- váltás
- kimutatta,
- jelentősen
- hasonló
- szimulátor
- SIX
- szoftver
- terek
- Stanford
- Lépései
- léptekkel
- struktúra
- siker
- ilyen
- javasol
- támogatás
- rendszer
- Systems
- Vesz
- célok
- feladatok
- csapat
- tech
- technikák
- Technologies
- mint
- hogy
- A
- azok
- Őket
- maguk
- Ott.
- ebből adódóan
- Ezek
- ezt
- Keresztül
- idő
- nak nek
- Ma
- együtt
- felé
- hagyományos
- Vonat
- Képzések
- Bizonytalanság
- megért
- megérti
- egyedi
- Frissítés
- használ
- használt
- használó
- segítségével
- Hatalmas
- Feszültség
- Mit
- amikor
- míg
- széles körben elterjedt
- val vel
- belül
- nélkül
- Munka
- zephyrnet