Ígéretek és buktatók Összefoglaló – Második rész » CCC Blog

A CCC három tudományos ülést támogatott az idei AAAS éves konferencián, és ha nem tudott személyesen részt venni, akkor minden ülést összefoglalunk. Ezen a héten összefoglaljuk az ülés legfontosabb eseményeit: „Generatív mesterséges intelligencia a tudományban: Ígéretek és buktatók.” A második részben összefoglaljuk Dr. Markus Buehler előadását a Generatív AI in Mechanobiology témakörben.

Dr. Markus Buehler azzal kezdte előadását, hogy hogyan lehet a generatív modelleket alkalmazni az anyagtudomány tanulmányozásában. Az anyagtudomány történetében a kutatók adatokat gyűjtöttek vagy egyenleteket dolgoztak ki az anyagok viselkedésének leírására, és tollal és papírral oldották meg ezeket. A számítógépek megjelenése lehetővé tette a kutatók számára, hogy sokkal gyorsabban oldják meg ezeket az egyenleteket, és kezeljenek nagyon összetett rendszereket, például statisztikai mechanika segítségével. Egyes problémákra azonban a hagyományos számítási teljesítmény nem elegendő. Például az alábbi kép egyetlen kis fehérje lehetséges konfigurációinak számát ábrázolja (20 ^100  vagy 1.27×10^130 tervek). Ez a lehetséges konfigurációk száma nagyobb, mint a megfigyelhető univerzum atomjainak száma (10^80 atomok), így ez a probléma még a legnagyobb szuperszámítógépek számára is megoldhatatlan. 

A generatív modellek előtt a tudósok által megalkotott egyenleteket és algoritmusokat egy bizonyos, az idők kezdete óta minden kutató által közös jellemző korlátozta: az emberiség. „A generatív mesterséges intelligencia lehetővé teszi számunkra, hogy túllépjünk az emberi képzelet határain, így olyan dolgokat találhatunk ki és fedezhetünk fel, amelyeket eddig nem tudtunk megtenni, vagy azért, mert nem vagyunk elég okosak, vagy azért, mert nem tudunk minden adatponthoz hozzáférni. ugyanakkor” – mondja Dr. Buehler. „A generatív mesterséges intelligencia új egyenletek és algoritmusok azonosítására használható, és meg tudja oldani ezeket az egyenleteket számunkra. Sőt, a generatív modellek azt is megmagyarázhatják nekünk, hogyan dolgozták ki és oldották meg ezeket az egyenleteket, ami nagy bonyolultsági fokon feltétlenül szükséges ahhoz, hogy a kutatók megértsék a modellek „gondolati folyamatait”. E modellek működésének egyik kulcsfontosságú szempontja, hogy az információkat (pl. mérési eredményeket) tudássá fordítják azáltal, hogy megtanulják egy gráfos ábrázolást.  

Forrás: MJ Buehler, Tudományos felfedezés felgyorsítása generatív tudáskinyeréssel, grafikon alapú ábrázolással és multimodális intelligens gráfos érveléssel, arXiv, 2024

Az alábbi ábra egy új anyagkialakítást mutat be, egy hierarchikus micélium alapú kompozitot, amely generatív mesterséges intelligenciából készült, és a micélium rizomorfák, kollagén, ásványi töltőanyag, felületi funkcionalizálás, valamint a porozitás és az anyag összetett kölcsönhatása soha nem látott kombinációját tartalmazza. 

Forrás: MJ Buehler, A tudományos felfedezés felgyorsítása generatív tudáskinyeréssel, grafikon alapú ábrázolással és multimodális intelligens grafikonos érveléssel, arXiv, 2024. Balra: Mycrlium kompozit. Jobbra: Protein design. 

Ezenkívül a generatív mesterséges intelligencia segíthet komplex rendszerek megjelenítésében. Az atomok közötti kölcsönhatások leírása helyett az AI ábrázolhatja ezeket a kölcsönhatásokat grafikonokon, amelyek mechanikusan írják le az anyagok működését, viselkedését és kölcsönhatásait különböző léptékekben. Ezek az eszközök erősek, de önmagukban nem elég erősek ahhoz, hogy megoldják e problémák rendkívül összetettségét. Ennek megoldására számos modellt kombinálhatunk, például egy olyan modellt, amely képes fizikai szimulációkat végezni, és egy másikat, amely előre jelezheti az erőket és feszültségeket, valamint a fehérjék tervezésének módját. Amikor ezek a modellek kommunikálnak, ügynökmodellekké válnak, ahol minden egyes modell egy meghatározott célú ügynök. Az egyes modellek kimenetét közöljük a többi modellel, és figyelembe veszik a modellek outputjainak átfogó értékelésénél. Az ügynökmodellek szimulációkat futtathatnak a meglévő adatokon, és új adatokat generálhatnak. Így a korlátozott vagy nulla adattal rendelkező területeken a kutatók fizikai modelleket használhatnak a szimulációk futtatásához szükséges adatok előállításához. „Az ilyen típusú modellezés a generatív modellek jövőbeli növekedési területei közé tartozik” – mondja Dr. Buehler. Az ilyen típusú modellek képesek megoldani a szuperszámítógépeken korábban megoldhatatlannak tartott problémákat, sőt néhány ilyen modell akár normál laptopon is futhat.

A fizika által ihletett generatív mesterségesintelligencia-modellek tervezésének egyik fő kihívása, amellyel a kutatók még mindig foglalkoznak, az, hogy hogyan lehet elegánsan megépíteni a modelleket, és hogyan lehet őket jobban hasonlítani az emberi agyhoz vagy a biológiai rendszerekhez. A biológiai rendszerek képesek megváltoztatni viselkedésüket, például amikor levágja a bőrét, a vágás idővel begyógyul. A modellek hasonló működésre építhetők. Ahelyett, hogy egy modellt arra tanítanánk, hogy mindenkor gyógyítsa a vágást, megtaníthatjuk őket arra, hogy képesek legyenek újra összeszerelni őket, hogy dinamikusan működjenek – bizonyos értelemben arra tanítjuk a modelleket, hogy először gondolják át a feltett kérdést, és hogyan tudják újrakonfigurálni őket. „magukat”, hogy a legjobban megoldjanak egy bizonyos feladatot. Ez felhasználható kvantitatív előrejelzések készítésére (pl. egy rendkívül összetett feladat megoldása egy fehérje energiakörnyezetének előrejelzésére), kvalitatív előrejelzések készítésére és az eredmények érvelésére, valamint a különböző szakértelem és készségek integrálására, ahogy összetett feladatokra választ adnak. Fontos, hogy a modellek azt is elmagyarázhatják nekünk, hogyan jutottak el a megoldáshoz, hogyan működik egy adott rendszer, és más olyan részleteket is, amelyek érdekesek lehetnek az embertudós számára. Ezután kísérleteket futtathatunk a szimulációk eredményeinek előrejelzésére és ellenőrzésére olyan esetekben, amelyek a legígéretesebb ötletek, például az anyagtervezési alkalmazások esetében.

Dr. Buehler ezután ezeknek a generatív modelleknek az anyagtudományban való konkrét alkalmazásairól beszélt. „Ahhoz, hogy egy bizonyos fehérje mellett az inverz hajtogatás problémáját megoldhassuk, még azt sem kell tudnunk, hogyan néz ki a fehérje, csak ismernem kell az építőelemeket és a DNS-szekvenciát, amely meghatározza ezt a fehérjét, valamint a feltételeket, Ha egy bizonyos típusú fehérjét szeretne egy bizonyos energiakörnyezetben, akkor azt is megtervezzük, igény szerint. Az ügynökmodellek megtehetik ezt, mert képesek különböző modelleket, előrejelzéseket és adatokat kombinálni. Ez felhasználható olyan komplex új fehérjék szintetizálására, amelyek a természetben nem léteznek. Feltalálhatunk olyan fehérjéket, amelyek szupererős rostokat tartalmaznak a műanyagok helyettesítésére, vagy jobb mesterséges táplálékot vagy új elemeket készíthetünk. Használhatjuk a természet eszköztárát, hogy túllépjünk azon, amit a természet kínál, és messze túlmutathatunk az evolúciós elveken. Például tervezhetünk bizonyos célokra anyagokat, például olyan anyagokat, amelyek nagyon rugalmasak vagy bizonyos optikai tulajdonságokkal rendelkeznek, vagy olyan anyagokat, amelyek külső jelzések alapján megváltoztatják tulajdonságaikat. A most megjelenő modellek nemcsak ezeket a problémákat képesek megoldani, hanem arra is lehetőséget adnak, hogy elmagyarázzák nekünk, hogyan oldják meg ezeket a problémákat. Azt is megmagyarázhatják, hogy bizonyos stratégiák miért működnek, mások miért nem. Megjósolhatják az új kutatásokat, például felkérhetnek egy modellt, amely megjósolja egy bizonyos anyag viselkedését nagyon részletesen, és ezt laboratóriumi kutatásokkal vagy fizikai szimulációkkal igazolhatjuk. Ez elképesztő, és futurisztikusan hangzik, de valójában ma is megtörténik.”

• 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. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/