Помимо шумихи, ИИ обещает поддержку научных исследований

Помимо шумихи, ИИ обещает поддержку научных исследований

Отметка времени: 2 августа 2023 г., 1:27
Помимо шумихи, ИИ обещает поддержку научным исследованиям PlatoBlockchain Data Intelligence. Вертикальный поиск. Ай.

В последнее десятилетие были достигнуты большие успехи в применении искусственного интеллекта для научных открытий, но практикующие специалисты должны знать, когда и как улучшить использование ИИ, и должны противостоять низкому качеству данных.

от лекарств, Материальная наука, астрофизики и ядерного синтеза, ученые, использующие ИИ, видят результаты в повышении точности и сокращении времени эксперимента.

Опубликовано в исследовательском журнале Nature сегодня, бумага от команды из 30 исследователей со всего мира оценивает прогресс, достигнутый в широко разрекламированной области, и понимает, что необходимо сделать.

В документе, подготовленном Ханченом Ваном, постдокторским научным сотрудником Стэнфордской группы компьютерных наук и Genentech, отмечается, что искусственный интеллект может помочь «оптимизировать параметры и функции, автоматизировать процедуры сбора, визуализации и обработки данных, исследовать обширные пространства потенциальных гипотез для формирования теорий, а также выдвижение гипотез и оценка их неопределенности для проведения соответствующих экспериментов».

Например, в астрофизике, неконтролируемом методе обучения нейронных сетей для отсеивания шума, вариационные автоэнкодеры использовались для оценки параметров детектора гравитационных волн на основе предварительно обученных моделей формы волны черной дыры. «Этот метод на шесть порядков быстрее, чем традиционные методы, что делает его практичным для захвата переходных событий гравитационных волн», — говорится в документе.

Другой пример связан с попытками осуществить ядерный синтез. Исследователь Google DeepMind Джонас Дегрейв разработал контроллер ИИ для управления ядерным синтезом с помощью магнитных полей в реакторе токамак. Исследователи показали, как агент ИИ может проводить измерения уровней электрического напряжения и конфигурации плазмы в режиме реального времени, чтобы помочь контролировать магнитное поле и достигать экспериментальных целей.

«Подходы обучения с подкреплением оказались эффективными для магнитного управления плазмой токамака, где алгоритм взаимодействует с симулятором токамака для оптимизации политики управления процессом», — говорится в документе.

В документе утверждается, что применение ИИ в науке, хотя и многообещающее, должно столкнуться с рядом проблем, чтобы стать более распространенным.

«Практическая реализация системы искусственного интеллекта включает в себя сложную разработку программного и аппаратного обеспечения, требующую ряда взаимозависимых шагов, которые идут от сбора и обработки данных до реализации алгоритмов и проектирования пользовательских и прикладных интерфейсов. Незначительные изменения в реализации могут привести к значительным изменениям в производительности и повлиять на успех интеграции моделей ИИ в научную практику. Поэтому необходимо учитывать стандартизацию как данных, так и моделей», — говорится в сообщении.

Между тем существует проблема воспроизведения результатов с помощью ИИ из-за случайного или стохастического подхода к обучению моделей глубокого обучения. «Стандартные тесты и экспериментальный дизайн могут решить эти проблемы. Еще одно направление улучшения воспроизводимости — это инициативы с открытым исходным кодом, которые выпускают открытые модели, наборы данных и образовательные программы», — говорится в исследовательских работах.

В нем также указывается, что Big Tech имеет преимущество в разработке искусственного интеллекта для науки, поскольку «требования к вычислениям и данным для расчета этих обновлений колоссальны, что приводит к большому энергопотреблению и высоким вычислительным затратам».

Огромные ресурсы и инвестиции Big Tech в вычислительную инфраструктуру и облачные сервисы «раздвигают границы масштаба и эффективности».

Тем не менее, высшие учебные заведения могли бы улучшить интеграцию между несколькими дисциплинами, а также использовать уникальные исторические базы данных и технологии измерения, которые не существуют за пределами сектора.

В документе содержится призыв к разработке этических рамок для защиты от неправильного применения ИИ в науке и к повышению качества образования во всех научных областях.

«Поскольку системы ИИ приближаются к производительности, которая конкурирует с людьми и превосходит их, их использование в качестве замены рутинной лабораторной работы становится возможным. Этот подход позволяет исследователям итеративно разрабатывать прогностические модели на основе экспериментальных данных и выбирать эксперименты для их улучшения без выполнения трудоемких и повторяющихся задач вручную. Чтобы поддержать этот сдвиг парадигмы, появляются образовательные программы для обучения ученых проектированию, внедрению и применению автоматизации лабораторий и искусственного интеллекта в научных исследованиях. Эти программы помогают ученым понять, когда использование ИИ уместно, и предотвратить неправильные выводы из анализа ИИ», — говорится в сообщении.

В документе отмечается, что развитие глубокого обучения в начале 2010-х годов «значительно расширило масштабы и цели этих процессов научных открытий».

Менее чем через десять лет Google DeepMind заявила, что ее программное обеспечение для машинного обучения AlphaFold быстро предсказывает структуру белков с приличной точностью, что может стать шагом вперед в открытии лекарств. Чтобы академическая наука могла применять аналогичные методы в широком спектре дисциплин, она должна действовать сообща, чтобы конкурировать с крупными технологическими компаниями. ®

Отметка времени:

Больше от Регистр