Podsumowanie obietnic i pułapek – część druga » Blog CCC

CCC wsparło trzy sesje naukowe podczas tegorocznej Dorocznej Konferencji AAAS, a jeśli nie mogli Państwo uczestniczyć osobiście, podsumujemy każdą sesję. W tym tygodniu podsumujemy najważniejsze momenty sesji: „Generatywna sztuczna inteligencja w nauce: obietnice i pułapki.” W części drugiej podsumujemy prezentację dr Markusa Buehlera na temat generatywnej sztucznej inteligencji w mechanobiologii.

Dr Markus Buehler rozpoczął swoją prezentację od omówienia możliwości zastosowania modeli generatywnych w badaniach z zakresu inżynierii materiałowej. Historycznie rzecz biorąc, w materiałoznawstwie badacze gromadzili dane lub opracowywali równania opisujące zachowanie materiałów i rozwiązywali je za pomocą pióra i papieru. Pojawienie się komputerów umożliwiło naukowcom znacznie szybsze rozwiązywanie tych równań i leczenie bardzo złożonych układów, na przykład przy użyciu mechaniki statystycznej. Jednak w przypadku niektórych problemów tradycyjna moc obliczeniowa nie wystarczy. Na przykład poniższy obrazek przedstawia liczbę możliwych konfiguracji pojedynczego małego białka (20 ^100  lub 1.27 × 10 ^130 projekty). Ta ilość możliwych konfiguracji jest większa niż liczba atomów w obserwowalnym wszechświecie (10^80 atomy), co czyni ten problem niemożliwym do rozwiązania nawet dla największych superkomputerów. 

Przed modelami generatywnymi równania i algorytmy tworzone przez naukowców były ograniczone pewną cechą wspólną wszystkim badaczom od zarania dziejów: ludzkością. „Generatywna sztuczna inteligencja pozwala nam wyjść poza ludzką wyobraźnię, dzięki czemu możemy wymyślać i odkrywać rzeczy, których do tej pory nie byliśmy w stanie zrobić, ponieważ nie jesteśmy wystarczająco inteligentni lub nie mamy dostępu do każdego punktu danych jednocześnie” – mówi dr Buehler. „Generatywną sztuczną inteligencję można wykorzystać do identyfikowania nowych równań i algorytmów oraz rozwiązywania tych równań za nas. Co więcej, modele generatywne mogą nam również wyjaśnić, w jaki sposób opracowano i rozwiązano te równania, co przy wysokim poziomie złożoności jest absolutnie niezbędne badaczom do zrozumienia „procesów myślowych” modeli”. Kluczowym aspektem działania tych modeli jest przekładanie informacji (np. wyników pomiarów) na wiedzę poprzez uczenie się jej reprezentacji graficznej.  

Źródło: MJ Buehler, Przyspieszanie odkryć naukowych dzięki generatywnej ekstrakcji wiedzy, reprezentacji opartej na grafach i multimodalnemu inteligentnemu rozumowaniu grafów, arXiv, 2024

Poniższy rysunek przedstawia nowy projekt materiału, hierarchiczny kompozyt na bazie grzybni, zbudowany z generatywnej sztucznej inteligencji i zawierający nigdy wcześniej nie widzianą kombinację ryzomorfów grzybni, kolagenu, wypełniacza mineralnego, funkcjonalizacji powierzchni i złożonej interakcji porowatości i materiału. 

Źródło: MJ Buehler, Przyspieszanie odkryć naukowych dzięki generatywnej ekstrakcji wiedzy, reprezentacji opartej na grafach i multimodalnemu inteligentnemu rozumowaniu grafów, arXiv, 2024. Po lewej: Kompozyt Mycrlium. Po prawej: projekt białka. 

Co więcej, generatywna sztuczna inteligencja może pomóc nam w wizualizacji złożonych systemów. Zamiast opisywać interakcje między atomami, sztuczna inteligencja może przedstawić te interakcje na wykresach, które opisują mechanicznie sposób, w jaki materiały funkcjonują, zachowują się i oddziałują na siebie w różnych skalach. Narzędzia te są potężne, ale same w sobie nie są wystarczająco silne, aby rozwiązać dużą złożoność tych problemów. Aby rozwiązać ten problem, możemy połączyć wiele modeli, na przykład model umożliwiający przeprowadzanie symulacji fizycznych oraz model umożliwiający przewidywanie sił i naprężeń oraz projektowanie białek. Kiedy modele te komunikują się, stają się modelami agentycznymi, gdzie każdy indywidualny model jest agentem mającym określony cel. Wyniki każdego modelu są przekazywane pozostałym modelom i uwzględniane w ogólnej ocenie wyników modeli. Modele agentyczne mogą przeprowadzać symulacje na istniejących danych i generować nowe dane. Zatem w przypadku obszarów o ograniczonych lub zerowych danych badacze mogą wykorzystywać modele fizyczne do generowania danych do przeprowadzania symulacji. „Ten typ modelowania jest jednym z przyszłych obszarów rozwoju modeli generatywnych” – mówi dr Buehler. Tego typu modele mogą rozwiązywać problemy wcześniej uważane za nierozwiązywalne na superkomputerach, a niektóre z tych modeli można nawet uruchomić na standardowym laptopie.

Jednym z głównych wyzwań związanych z projektowaniem takich inspirowanych fizyką modeli generatywnej sztucznej inteligencji, nad którym wciąż zastanawiają się badacze, jest sposób eleganckiego budowania modeli i uczynienia ich bardziej podobnymi do ludzkiego mózgu lub systemów biologicznych. Systemy biologiczne mają zdolność zmiany swojego zachowania, np. gdy skaleczysz skórę, rana z czasem się zagoi. Modele można budować tak, aby działały podobnie. Zamiast szkolić model, aby przez cały czas leczył skaleczenie, możemy go wyszkolić, aby potrafił go ponownie złożyć, aby działał dynamicznie – w pewnym sensie szkolimy modele, aby najpierw pomyślały o zadanym pytaniu i o tym, w jaki sposób mogą być w stanie dokonać rekonfiguracji „siebie”, aby jak najlepiej rozwiązać określone zadanie. Można to wykorzystać do przewidywania ilościowego (np. rozwiązywania bardzo złożonego zadania polegającego na przewidywaniu krajobrazu energetycznego białka), dokonywania przewidywań jakościowych i uzasadniania wyników oraz integrowania różnej wiedzy specjalistycznej i umiejętności w miarę opracowywania odpowiedzi na złożone zadania. Co ważne, modele mogą nam również wyjaśnić, w jaki sposób doszli do rozwiązania, jak działa konkretny system i inne szczegóły, które mogą zainteresować naukowca. Następnie możemy przeprowadzić eksperymenty, aby przewidzieć i zweryfikować wyniki tych symulacji dla przypadków, które są najbardziej obiecującymi pomysłami, na przykład w zastosowaniach do projektowania materiałów.

Następnie dr Buehler opowiedział o konkretnych zastosowaniach tych modeli generatywnych w materiałoznawstwie. „Aby obliczyć krajobraz energetyczny w celu rozwiązania problemu odwrotnego fałdowania danego białka, nie musimy nawet wiedzieć, jak to białko wygląda, wystarczy znać elementy składowe i sekwencję DNA, która definiuje to białko oraz warunki eksperyment jest przeprowadzany w. Jeśli potrzebujesz określonego rodzaju białka o określonym krajobrazie energetycznym, możemy również zaprojektować to białko na żądanie. Modele agentyczne mogą to zrobić, ponieważ mają zdolność łączenia różnych modeli, prognoz i danych. Można to wykorzystać do syntezy nowych, złożonych białek, które nie istnieją w przyrodzie. Możemy wynaleźć białka zawierające super mocne włókna jako zamienniki tworzyw sztucznych lub stworzyć lepszą sztuczną żywność lub nowe baterie. Możemy wykorzystać zestaw narzędzi natury, aby wyjść poza to, co natura ma do zaoferowania i wyjść daleko poza zasady ewolucji. Na przykład możemy zaprojektować materiały do ​​określonych celów, takie jak materiał, który jest bardzo rozciągliwy lub ma określone właściwości optyczne, lub materiały, które zmieniają swoje właściwości w oparciu o zewnętrzne sygnały. Modele, które się obecnie pojawiają, nie tylko są w stanie rozwiązać te problemy, ale także zapewniają możliwość wyjaśnienia nam, w jaki sposób te problemy są rozwiązywane. Mogą także wyjaśnić, dlaczego pewne strategie działają, a inne nie. Mogą przewidywać nowe badania, na przykład wymagać od modelu bardzo szczegółowego przewidywania zachowania określonego materiału, a my możemy to zweryfikować za pomocą badań naukowych w laboratoriach lub symulacji fizycznych. To zdumiewające i brzmi futurystycznie, ale to dzieje się naprawdę dzisiaj.”

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/