Riepilogo delle promesse e delle insidie ​​– Parte seconda » Blog CCC

CCC ha sostenuto tre sessioni scientifiche alla conferenza annuale dell'AAAS di quest'anno e, nel caso in cui non potessi partecipare di persona, ricapitoleremo ciascuna sessione. Questa settimana riassumeremo i punti salienti della sessione: “L'intelligenza artificiale generativa nella scienza: promesse e insidie.” Nella seconda parte riassumeremo la presentazione del Dr. Markus Buehler sull'intelligenza artificiale generativa in meccanobiologia.

Il Dr. Markus Buehler ha iniziato la sua presentazione affrontando il modo in cui i modelli generativi possono essere applicati allo studio della scienza dei materiali. Storicamente nella scienza dei materiali, i ricercatori raccoglievano dati o sviluppavano equazioni per descrivere il comportamento dei materiali e risolverli con carta e penna. L'avvento dei computer ha permesso ai ricercatori di risolvere queste equazioni molto più rapidamente e di trattare sistemi molto complessi, ad esempio utilizzando la meccanica statistica. Per alcuni problemi, però, la potenza di calcolo tradizionale non è sufficiente. Ad esempio, l'immagine seguente mostra il numero di possibili configurazioni di una singola piccola proteina (20 ^100  o 1.27×10^130 disegni). Questa quantità di possibili configurazioni è maggiore del numero di atomi nell'universo osservabile (10^80 atomi) rendendo questo problema insolubile anche per i supercomputer più grandi. 

Prima dei modelli generativi, le equazioni e gli algoritmi creati dagli scienziati erano limitati da una certa caratteristica condivisa da tutti i ricercatori fin dall’inizio dei tempi: l’umanità. “L’intelligenza artificiale generativa ci permette di andare oltre l’immaginazione umana e di inventare e scoprire cose che finora non siamo stati in grado di fare, o perché non siamo abbastanza intelligenti o perché non abbiamo la capacità di accedere a tutti i dati allo stesso tempo”, dice il Dr. Buehler. “L’intelligenza artificiale generativa può essere utilizzata per identificare nuove equazioni e algoritmi e può risolverli per noi. Inoltre, i modelli generativi possono anche spiegarci come hanno sviluppato e risolto queste equazioni, il che, ad alti livelli di complessità, è assolutamente necessario affinché i ricercatori comprendano i “processi di pensiero” dei modelli.” Un aspetto chiave del funzionamento di questi modelli consiste nel tradurre le informazioni (ad esempio i risultati delle misurazioni) in conoscenza apprendendone una rappresentazione grafica.  

Fonte: MJ Buehler, Accelerare la scoperta scientifica con l'estrazione generativa della conoscenza, la rappresentazione basata su grafici e il ragionamento intelligente multimodale sui grafici, arXiv, 2024

La figura seguente mostra un nuovo design del materiale, un composito gerarchico a base di micelio, costruito con intelligenza artificiale generativa e caratterizzato da una combinazione mai vista prima di rizomorfi di micelio, collagene, riempitivo minerale, funzionalizzazione superficiale e una complessa interazione di porosità e materiale. 

Fonte: MJ Buehler, Accelerare la scoperta scientifica con l'estrazione generativa della conoscenza, la rappresentazione basata su grafici e il ragionamento multimodale intelligente sui grafici, arXiv, 2024. A sinistra: composito di Mycrlium. A destra: progettazione delle proteine. 

Inoltre, l’intelligenza artificiale generativa può aiutarci a visualizzare sistemi complessi. Invece di descrivere le interazioni tra atomi, l’intelligenza artificiale può rappresentare queste interazioni in grafici, che descrivono meccanicamente come i materiali funzionano, si comportano e interagiscono su scale diverse. Questi strumenti sono potenti, ma da soli non sono abbastanza potenti da risolvere l’elevata complessità di questi problemi. Per risolvere questo problema, possiamo combinare molti modelli, come un modello in grado di eseguire simulazioni fisiche e un altro in grado di prevedere forze e sollecitazioni e come progettare le proteine. Quando questi modelli comunicano diventano modelli di agenti, dove ogni singolo modello è un agente con uno scopo specifico. I risultati di ciascun modello vengono comunicati agli altri modelli e considerati nella valutazione complessiva dei risultati dei modelli. I modelli agentici possono eseguire simulazioni su dati esistenti e generare nuovi dati. Pertanto, per le aree con dati limitati o nulli, i ricercatori possono utilizzare modelli fisici per generare dati su cui eseguire simulazioni. “Questo tipo di modellazione è una delle future aree di crescita per i modelli generativi”, afferma il dott. Buehler. Questi tipi di modelli possono risolvere problemi precedentemente considerati intrattabili sui supercomputer e alcuni di questi modelli possono persino funzionare su un laptop standard.

Una delle principali sfide nella progettazione di modelli di intelligenza artificiale generativa ispirati alla fisica che i ricercatori stanno ancora affrontando è come costruire i modelli in modo elegante e come renderli più simili al cervello umano o ai sistemi biologici. I sistemi biologici hanno la capacità di cambiare il loro comportamento, ad esempio quando ti tagli la pelle, il taglio guarirà nel tempo. È possibile costruire modelli che agiscano in modo simile. Invece di addestrare un modello a sanare un taglio in ogni momento, possiamo addestrarlo ad avere la capacità di riassemblarli per agire in modo dinamico – in un certo senso, addestriamo i modelli a pensare prima alla domanda posta e a come potrebbero essere in grado di riconfigurarsi. "se stessi" per risolvere al meglio un determinato compito. Questo può essere utilizzato per fare previsioni quantitative (ad esempio risolvere un compito altamente complesso per prevedere il panorama energetico di una proteina), fare previsioni qualitative e ragionare sui risultati e integrare diverse competenze e abilità man mano che vengono sviluppate risposte a compiti complessi. È importante sottolineare che i modelli possono anche spiegarci come sono arrivati ​​alla soluzione, come funziona un particolare sistema e altri dettagli che potrebbero interessare lo scienziato umano. Possiamo quindi eseguire esperimenti per prevedere e verificare i risultati di queste simulazioni per i casi che rappresentano le idee più promettenti, come le applicazioni di progettazione dei materiali.

Il Dr. Buehler ha poi parlato delle applicazioni specifiche di questi modelli generativi nella scienza dei materiali. “Per calcolare il panorama energetico necessario a risolvere il problema del ripiegamento inverso data una determinata proteina, non abbiamo nemmeno bisogno di sapere che aspetto ha la proteina, ho solo bisogno di conoscere gli elementi costitutivi e la sequenza di DNA che definisce questa proteina e le condizioni viene condotto l'esperimento. Se desideri un particolare tipo di proteina con un determinato panorama energetico, possiamo anche progettare quella proteina, su richiesta. I modelli agentici possono farlo perché hanno la capacità di combinare diversi modelli, previsioni e dati. Questo può essere utilizzato per sintetizzare nuove proteine ​​complesse che non esistono in natura. Possiamo inventare proteine ​​che abbiano fibre super resistenti in sostituzione della plastica, o creare cibo artificiale migliore o nuove batterie. Possiamo usare gli strumenti della natura per andare oltre ciò che la natura ha da offrire e andare ben oltre i principi evolutivi. Ad esempio, possiamo progettare materiali per determinati scopi, come materiali altamente elastici o con determinate proprietà ottiche, oppure materiali che modificano le loro proprietà in base a segnali esterni. I modelli che stanno emergendo ora non solo sono in grado di risolvere questi problemi, ma forniscono anche la capacità di spiegarci come questi problemi vengono risolti. Possono anche spiegare perché alcune strategie funzionano e altre no. Possono prevedere nuove ricerche, ad esempio chiedere a un modello di prevedere come si comporterà un determinato materiale in grande dettaglio, e possiamo convalidarlo con studi di ricerca in laboratorio o con simulazioni fisiche. Ciò è sbalorditivo e sembra futuristico, ma in realtà sta accadendo oggi”.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/