Recapitulare promisiuni și capcane – Partea a doua » Blogul CCC

CCC a susținut trei sesiuni științifice la Conferința anuală AAAS din acest an și, în cazul în care nu ați putut participa în persoană, vom recapitula fiecare sesiune. Săptămâna aceasta, vom rezuma cele mai importante momente ale sesiunii, „AI generativă în știință: promisiuni și capcane.” În partea a doua, vom rezuma prezentarea Dr. Markus Buehler despre IA generativă în mecanobiologie.

Dr. Markus Buehler și-a început prezentarea abordând modul în care modelele generative pot fi aplicate în studiul științei materialelor. Din punct de vedere istoric, în știința materialelor, cercetătorii colectau date sau dezvoltau ecuații pentru a descrie modul în care se comportă materialele și le rezolvau cu creion și hârtie. Apariția computerelor a permis cercetătorilor să rezolve aceste ecuații mult mai rapid și să trateze sisteme foarte complexe, de exemplu folosind mecanica statistică. Pentru unele probleme însă, puterea de calcul tradițională nu este suficientă. De exemplu, imaginea de mai jos prezintă numărul de configurații posibile ale unei singure proteine ​​mici (20 ^100  sau 1.27×10^130 desene). Această cantitate de configurații posibile este mai mare decât numărul de atomi din universul observabil (10^80 atomi) făcând această problemă insolubilă chiar și pentru cele mai mari supercalculatoare. 

Înainte de modelele generative, ecuațiile și algoritmii creați de oameni de știință erau limitați de o anumită caracteristică împărtășită de toți cercetătorii încă de la începutul timpurilor: umanitatea. „AI generativ ne permite să trecem dincolo de imaginația umană, astfel încât să putem inventa și descoperi lucruri pe care nu am putut să le facem până acum, fie pentru că nu suntem suficient de deștepți, fie pentru că nu avem capacitatea de a avea acces la fiecare punct de date. în același timp”, spune dr. Buehler. „IA generativă poate fi folosită pentru a identifica noi ecuații și algoritmi și poate rezolva aceste ecuații pentru noi. Mai mult, modelele generative ne pot explica și modul în care au dezvoltat și rezolvat aceste ecuații, ceea ce, la niveluri ridicate de complexitate, este absolut necesar pentru ca cercetătorii să înțeleagă „procesele de gândire” ale modelelor.” Un aspect cheie al modului în care funcționează aceste modele este traducerea informațiilor (de exemplu, rezultatele măsurătorilor) în cunoștințe prin învățarea unei reprezentări grafice a acestora.  

Sursa: MJ Buehler, Accelerarea descoperirii științifice cu extragerea de cunoștințe generative, reprezentarea bazată pe grafice și raționamentul grafic inteligent multimodal, arXiv, 2024

Figura de mai jos arată un nou design de material, un compozit ierarhic pe bază de miceliu, construit din IA generativă și care prezintă o combinație nemaivăzută de rizomorfi de miceliu, colagen, umplutură minerală, funcționalizare a suprafeței și o interacțiune complexă de porozitate și material. 

Sursa: MJ Buehler, Accelerating Scientific Discovery with Generative Knowledge Extraction, Graph-Based Representation, and Multimodal Intelligent Graph Reasoning, arXiv, 2024. Stânga: Mycrlium composite. Dreapta: Design cu proteine. 

În plus, IA generativă ne poate ajuta să vizualizăm sisteme complexe. În loc să descrie interacțiunile dintre atomi, AI poate reprezenta aceste interacțiuni în grafice, care descriu mecanic modul în care materialele funcționează, se comportă și interacționează la diferite scări. Aceste instrumente sunt puternice, dar singure, nu sunt suficient de puternice pentru a rezolva complexitatea ridicată a acestor probleme. Pentru a rezolva acest lucru, putem combina multe modele, cum ar fi un model care poate face simulări fizice și altul care poate prezice forțele și tensiunile și modul de proiectare a proteinelor. Atunci când aceste modele comunică, ele devin modele agentice, unde fiecare model individual este un agent cu un scop specific. Rezultatele fiecărui model sunt comunicate celorlalte modele și luate în considerare în evaluarea globală a rezultatelor modelelor. Modelele agentice pot rula simulări pe date existente și pot genera date noi. Deci, pentru zonele cu date limitate sau zero, cercetătorii pot folosi modele fizice pentru a genera date pe care să ruleze simulări. „Acest tip de modelare este una dintre viitoarele domenii de creștere pentru modelele generative”, spune dr. Buehler. Aceste tipuri de modele pot rezolva probleme considerate anterior a fi insolubile pe supercomputere, iar unele dintre aceste modele pot rula chiar și pe un laptop standard.

Una dintre principalele provocări în proiectarea unor astfel de modele AI generative inspirate de fizică, pe care cercetătorii încă le abordează este modul de a construi modelele elegant și cum să le facă mai asemănătoare cu creierul uman sau cu sistemele biologice. Sistemele biologice au capacitatea de a-și schimba comportamentul, cum ar fi atunci când vă tăiați pielea, tăietura se va vindeca în timp. Modelele pot fi construite pentru a acționa similar. În loc să antrenăm un model să vindece o tăietură în orice moment, îi putem antrena să aibă capacitatea de a le reasambla pentru a acționa dinamic – într-un anumit sens, antrenăm modele să se gândească mai întâi la întrebarea pusă și la modul în care ar putea să se reconfigureze. „eși” pentru a rezolva cel mai bine o anumită sarcină. Aceasta poate fi folosită pentru a face predicții cantitative (de exemplu, pentru a rezolva o sarcină extrem de complexă pentru a prezice peisajul energetic al unei proteine), pentru a face predicții calitative și pentru a raționa rezultatele și pentru a integra diferite expertize și abilități pe măsură ce sunt dezvoltate răspunsuri la sarcini complexe. Este important că modelele ne pot explica, de asemenea, cum au ajuns la soluție, cum funcționează un anumit sistem și alte detalii care pot fi de interes pentru om de știință. Apoi putem efectua experimente pentru a prezice și a verifica rezultatele acestor simulări pentru cazurile care sunt cele mai promițătoare idei, cum ar fi aplicațiile de proiectare a materialelor.

Dr. Buehler a vorbit apoi despre aplicațiile specifice ale acestor modele generative în știința materialelor. „Pentru a calcula peisajul energetic pentru a rezolva problema plierii inverse având în vedere o anumită proteină, nici măcar nu trebuie să știm cum arată proteina, trebuie doar să cunosc blocurile de construcție și secvența ADN care definește această proteină și condițiile experimentul se desfășoară în. Dacă doriți un anumit tip de proteină cu un anumit peisaj energetic, putem proiecta și acea proteină, la cerere. Modelele agentice pot face acest lucru deoarece au capacitatea de a combina diferite modele, predicții și date. Acest lucru poate fi folosit pentru a sintetiza noi proteine ​​complexe care nu există în natură. Putem inventa proteine ​​care au fibre super puternice ca înlocuitori pentru plastic sau să creăm alimente artificiale mai bune sau baterii noi. Putem folosi cutia de instrumente a naturii pentru a ne extinde dincolo de ceea ce natura are de oferit și pentru a depăși cu mult principiile evoluției. De exemplu, putem proiecta materiale pentru anumite scopuri, cum ar fi un material care este foarte elastic sau are anumite proprietăți optice sau materiale care își schimbă proprietățile pe baza indicațiilor externe. Modelele care apar acum nu numai că sunt capabile să rezolve aceste probleme, ci oferă și capacitatea de a ne explica cum sunt rezolvate aceste probleme. De asemenea, pot elucida de ce anumite strategii funcționează și altele nu. Ei pot prezice noi cercetări, cum ar fi solicitarea unui model pentru a prezice modul în care un anumit material se va comporta în detaliu, și putem valida acest lucru cu studii de cercetare în laboratoare sau cu simulări de fizică. Acest lucru este uluitor și sună futurist, dar se întâmplă de fapt astăzi.”

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• Sursa: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/