סיכום הבטחות ומלכודות - חלק שני » בלוג CCC

CCC תמכה בשלושה מפגשים מדעיים בכנס השנתי של AAAS השנה, ובמקרה שלא הצלחת להשתתף באופן אישי, נסכם כל מפגש. השבוע נסכם את עיקרי המפגש, "AI גנרטיבי במדע: הבטחות ומלכודות." בחלק השני, נסכם את המצגת של ד"ר מרקוס בוהלר על בינה מלאכותית גנרטיבית במכנוביולוגיה.

ד"ר מרקוס בוהלר החל את המצגת שלו בהתייחסות לאופן שבו ניתן ליישם מודלים גנרטיביים בחקר מדעי החומרים. מבחינה היסטורית במדעי החומרים, חוקרים היו אוספים נתונים או מפתחים משוואות כדי לתאר כיצד חומרים מתנהגים, ופותרים אותם באמצעות עט ונייר. הופעת המחשבים אפשרה לחוקרים לפתור את המשוואות הללו הרבה יותר מהר ולטפל במערכות מורכבות מאוד, למשל באמצעות מכניקה סטטיסטית. עם זאת, עבור כמה בעיות, כוח מחשוב מסורתי אינו מספיק. לדוגמה, התמונה למטה מתארת ​​את מספר התצורות האפשריות של חלבון קטן בודד (20 ^100  או 1.27×10^130 עיצובים). כמות זו של תצורות אפשריות גדולה ממספר האטומים ביקום הנצפה (10^80 אטומים) מה שהופך את הבעיה הזו לבלתי פתירה אפילו עבור מחשבי העל הגדולים ביותר. 

לפני מודלים גנרטיביים, המשוואות והאלגוריתמים שנוצרו על ידי מדענים הוגבלו על ידי מאפיין מסוים המשותף לכל החוקרים מאז ראשית הזמן: האנושות. "בינה מלאכותית גנרית מאפשרת לנו לחרוג מהדמיון האנושי כדי שנוכל להמציא ולגלות דברים שלא הצלחנו עד כה, או בגלל שאנחנו לא מספיק חכמים או בגלל שאין לנו את היכולת לקבל גישה לכל נקודת נתונים במקביל", אומר ד"ר בוהלר. "בינה מלאכותית גנרית יכולה לשמש לזיהוי משוואות ואלגוריתמים חדשים, ויכולה לפתור עבורנו את המשוואות הללו. יתרה מכך, מודלים גנרטיביים יכולים גם להסביר לנו כיצד הם פיתחו ופתרו את המשוואות הללו, שברמות מורכבות גבוהות, הכרחי לחלוטין לחוקרים כדי להבין את 'תהליכי החשיבה' של המודלים". היבט מרכזי של אופן הפעולה של מודלים אלה הוא על ידי תרגום מידע (למשל תוצאות של מדידות) לידע על ידי לימוד ייצוג גרף שלו.  

מקור: MJ Buehler, האצת גילוי מדעי עם מיצוי ידע יצירתי, ייצוג מבוסס גרפים ונימקת גרפים אינטליגנטי רב-מודאליים, arXiv, 2024

האיור שלהלן מציג עיצוב חומר חדש, קומפוזיט היררכי המבוסס על תפטיר, הבנוי מבינה מלאכותית גנראטיבית וכולל שילוב שלא נראה קודם לכן של rhizomorphs תפטיר, קולגן, מילוי מינרלים, פונקציונליזציה של פני השטח ומשחק גומלין מורכב של נקבוביות וחומר. 

מקור: MJ Buehler, האצת גילוי מדעי עם מיצוי ידע יצירתי, ייצוג מבוסס גרפים ונימקת גרפים אינטליגנטית רב-מודאלית, arXiv, 2024. משמאל: Mycrlium composite. מימין: עיצוב חלבון. 

יתר על כן, AI גנרטיבי יכול לעזור לנו לדמיין מערכות מורכבות. במקום לתאר אינטראקציות בין אטומים, בינה מלאכותית יכולה לייצג את האינטראקציות הללו בגרפים, המתארים באופן מכניסטי כיצד חומרים מתפקדים, מתנהגים ומקיימים אינטראקציה בקנה מידה שונה. כלים אלו הם חזקים, אך לבדם, הם אינם חזקים מספיק כדי לפתור את המורכבות הגבוהה של בעיות אלו. כדי לפתור זאת, נוכל לשלב מודלים רבים, כמו מודל שיכול לעשות סימולציות פיזיקה ואחר שיכול לחזות כוחות ומתחים ואיך לעצב חלבונים. כאשר המודלים הללו מתקשרים הם הופכים למודלים אגנטיים, כאשר כל מודל בודד הוא סוכן עם מטרה מסוימת. התפוקה של כל מודל מועברת למודלים האחרים ונלקחת בחשבון בהערכה הכוללת של תפוקות המודלים. מודלים אגנטיים יכולים להריץ סימולציות על נתונים קיימים ולייצר נתונים חדשים. אז עבור אזורים עם נתונים מוגבלים או אפס, חוקרים יכולים להשתמש במודלים פיזיקה כדי ליצור נתונים להפעיל סימולציות. "סוג זה של דוגמנות הוא אחד מתחומי הצמיחה העתידיים של מודלים גנרטיביים", אומר ד"ר בוהלר. דגמים מסוג זה יכולים לפתור בעיות שנחשבו בעבר כבלתי פתירות במחשבי-על, וחלק מהדגמים הללו יכולים אפילו לרוץ על מחשב נייד סטנדרטי.

אחד האתגרים העיקריים בתכנון מודלים של בינה מלאכותית בהשראת פיזיקה, שחוקרים עדיין עוסקים בהם, הוא כיצד לבנות את המודלים באלגנטיות, וכיצד להפוך אותם דומים יותר למוח האנושי או למערכות ביולוגיות. למערכות ביולוגיות יש את היכולת לשנות את התנהגותן, כמו למשל כאשר אתה חותך את העור שלך, החתך יחלים עם הזמן. ניתן לבנות מודלים כך שיפעלו באופן דומה. במקום לאמן מודל לרפא חתך בכל עת, אנו יכולים לאמן אותם להיות בעלי יכולת להרכיב אותם מחדש לפעול בצורה דינמית - במובן מסוים, אנו מאמנים מודלים לחשוב תחילה על השאלה שנשאלה וכיצד הם עשויים להיות מסוגלים להגדיר מחדש 'עצמם' כדי לפתור משימה מסוימת בצורה הטובה ביותר. זה יכול לשמש לביצוע תחזיות כמותיות (לדוגמה לפתור משימה מורכבת ביותר לניבוי נוף האנרגיה של חלבון), לערוך תחזיות ואיכותיות על התוצאות, ולשלב מומחיות ומיומנויות שונות עם פיתוח תשובות למשימות מורכבות. חשוב לציין, המודלים יכולים גם להסביר לנו כיצד הגיעו לפתרון, כיצד פועלת מערכת מסוימת ופרטים נוספים שעשויים לעניין את המדען האנושי. לאחר מכן נוכל להריץ ניסויים כדי לחזות ולאמת את התוצאות של סימולציות אלה עבור מקרים שהם הרעיונות המבטיחים ביותר, כגון עבור יישומי עיצוב חומרים.

לאחר מכן דיבר ד"ר בוהלר על יישומים ספציפיים של המודלים הגנרטיביים הללו במדעי החומרים. "כדי לחשב את נוף האנרגיה כדי לפתור את בעיית הקיפול ההפוכה בהינתן חלבון מסוים, אנחנו אפילו לא צריכים לדעת איך נראה החלבון, אני רק צריך לדעת את אבני הבניין ורצף ה-DNA שמגדירים את החלבון הזה ואת התנאים של הניסוי נערך ב. אם אתה רוצה סוג מסוים של חלבון עם נוף אנרגיה מסוים, נוכל גם לעצב את החלבון הזה לפי דרישה. מודלים סוכן יכולים לעשות זאת מכיוון שיש להם את היכולת לשלב מודלים, תחזיות ונתונים שונים. זה יכול לשמש כדי לסנתז חלבונים חדשים מורכבים שאינם קיימים בטבע. אנחנו יכולים להמציא חלבונים שיש להם סיבים חזקים במיוחד כתחליף לפלסטיק, או ליצור מזון מלאכותי טוב יותר, או סוללות חדשות. אנחנו יכולים להשתמש בארגז הכלים של הטבע כדי להרחיב את מה שיש לטבע להציע, ולעבור הרבה מעבר לעקרונות אבולוציוניים. למשל, נוכל לעצב חומרים למטרות מסוימות, כמו חומר בעל נמתח גבוה או בעל תכונות אופטיות מסוימות, או חומרים המשנים את תכונותיהם על סמך רמזים חיצוניים. המודלים שצצים כעת לא רק מסוגלים לפתור את הבעיות הללו, אלא גם לספק את היכולת להסביר לנו כיצד הבעיות הללו נפתרות. הם יכולים גם להבהיר מדוע אסטרטגיות מסוימות עובדות ואחרות לא. הם יכולים לחזות מחקר חדש, כמו לבקש ממודל לחזות איך חומר מסוים יתנהג בפירוט רב, ואנחנו יכולים לאמת זאת באמצעות מחקרים במעבדות, או עם סימולציות פיזיקה. זה מטריד, ונשמע עתידני, אבל זה קורה למעשה היום".

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/