Резюме обещаний и подводных камней – Часть вторая » Блог CCC

Компания CCC поддержала три научных сессии на ежегодной конференции AAAS в этом году, и если вы не смогли присутствовать лично, мы будем подводить итоги каждой сессии. На этой неделе мы подведем итоги сессии»,Генеративный ИИ в науке: обещания и подводные камни». Во второй части мы подведем итоги презентации доктора Маркуса Бюлера о генеративном искусственном интеллекте в механобиологии.

Доктор Маркус Бюлер начал свою презентацию с рассмотрения того, как генеративные модели могут применяться в изучении материаловедения. Исторически в материаловедении исследователи собирали данные или разрабатывали уравнения, описывающие поведение материалов, и решали их с помощью ручки и бумаги. Появление компьютеров позволило исследователям гораздо быстрее решать эти уравнения и рассматривать очень сложные системы, например, с помощью статистической механики. Однако для некоторых задач традиционных вычислительных мощностей недостаточно. Например, на изображении ниже показано количество возможных конфигураций одного небольшого белка (20 ^100  или 1.27×10^130 конструкции). Это количество возможных конфигураций превышает число атомов в наблюдаемой Вселенной (10^).80 атомы), что делает эту проблему неразрешимой даже для самых крупных суперкомпьютеров. 

До появления генеративных моделей уравнения и алгоритмы, созданные учеными, были ограничены определенной характеристикой, присущей всем исследователям с начала времен: человечностью. «Генераторный ИИ позволяет нам выйти за рамки человеческого воображения, чтобы мы могли изобретать и открывать вещи, которые нам до сих пор не удавалось сделать либо потому, что мы недостаточно умны, либо потому, что у нас нет возможности иметь доступ к каждой точке данных. в то же время», — говорит доктор Бюлер. «Генераторный ИИ может использоваться для выявления новых уравнений и алгоритмов и может решать эти уравнения за нас. Более того, генеративные модели также могут объяснить нам, как они разработали и решили эти уравнения, что на высоких уровнях сложности абсолютно необходимо исследователям для понимания «мыслительных процессов» моделей». Ключевым аспектом работы этих моделей является преобразование информации (например, результатов измерений) в знания путем изучения ее графического представления.  

Источник: М.Дж. Бюлер, Ускорение научных открытий с помощью генеративного извлечения знаний, представления на основе графов и мультимодального интеллектуального графического рассуждения, arXiv, 2024 г.

На рисунке ниже показан новый дизайн материала, иерархический композит на основе мицелия, созданный на основе генеративного искусственного интеллекта и представляющий собой невиданную ранее комбинацию ризоморфов мицелия, коллагена, минерального наполнителя, поверхностной функционализации и сложного взаимодействия пористости и материала. 

Источник: М.Дж. Бюлер, Ускорение научных открытий с помощью генеративного извлечения знаний, представления на основе графов и мультимодального интеллектуального графического рассуждения, arXiv, 2024. Слева: композит Mycrliium. Справа: белковый дизайн. 

Более того, генеративный ИИ может помочь нам визуализировать сложные системы. Вместо описания взаимодействий между атомами ИИ может представлять эти взаимодействия в виде графиков, которые механически описывают, как материалы функционируют, ведут себя и взаимодействуют в разных масштабах. Эти инструменты являются мощными, но сами по себе они недостаточно сильны, чтобы решить сложнейшие проблемы. Чтобы решить эту проблему, мы можем объединить множество моделей, например, модель, которая может выполнять физическое моделирование, и другую, которая может прогнозировать силы и напряжения, а также способы проектирования белков. Когда эти модели взаимодействуют, они становятся агентными моделями, где каждая отдельная модель является агентом с определенной целью. Результаты каждой модели передаются другим моделям и учитываются при общей оценке результатов моделей. Агентные модели могут запускать моделирование существующих данных и генерировать новые данные. Таким образом, в областях с ограниченными или нулевыми данными исследователи могут использовать физические модели для генерации данных для запуска моделирования. «Этот тип моделирования — одна из будущих областей развития генеративных моделей», — говорит доктор Бюлер. Модели такого типа могут решать проблемы, которые ранее считались неразрешимыми для суперкомпьютеров, а некоторые из этих моделей могут работать даже на стандартном ноутбуке.

Одна из основных проблем при разработке таких основанных на физике генеративных моделей искусственного интеллекта, над которой исследователи до сих пор решают, заключается в том, как элегантно построить модели и как сделать их более похожими на человеческий мозг или биологические системы. Биологические системы способны менять свое поведение, например, если вы порезали кожу, порез со временем заживет. Модели могут быть построены так, чтобы действовать аналогичным образом. Вместо того, чтобы обучать модель постоянно заживлять порезы, мы можем научить ее способности собирать ее и действовать динамично – в некотором смысле, мы обучаем модели сначала думать о заданном вопросе и о том, как они смогут переконфигурировать модель. «себя», чтобы наилучшим образом решить определенную задачу. Это можно использовать для количественных прогнозов (например, для решения очень сложной задачи по прогнозированию энергетического ландшафта белка), для качественных прогнозов и обоснования результатов, а также для интеграции различных знаний и навыков по мере разработки ответов на сложные задачи. Важно отметить, что модели также могут объяснить нам, как они пришли к решению, как работает конкретная система и другие детали, которые могут представлять интерес для ученого-человека. Затем мы можем провести эксперименты, чтобы предсказать и проверить результаты этого моделирования для случаев, которые представляют собой наиболее многообещающие идеи, например, для приложений проектирования материалов.

Затем доктор Бюлер рассказал о конкретных применениях этих генеративных моделей в материаловедении. «Чтобы рассчитать энергетический ландшафт для решения проблемы обратной складки для определенного белка, нам даже не нужно знать, как выглядит этот белок, мне просто нужно знать строительные блоки и последовательность ДНК, которая определяет этот белок, а также условия, в которых он проводится эксперимент. Если вам нужен определенный вид белка с определенным энергетическим ландшафтом, мы также можем разработать этот белок по запросу. Агентские модели могут это сделать, поскольку они способны комбинировать различные модели, прогнозы и данные. Это можно использовать для синтеза сложных новых белков, не существующих в природе. Мы можем изобрести белки со сверхпрочными волокнами в качестве замены пластика, создать более качественную искусственную пищу или новые батарейки. Мы можем использовать набор инструментов природы, чтобы выйти за рамки того, что может предложить природа, и выйти далеко за рамки эволюционных принципов. Например, мы можем разрабатывать материалы для определенных целей, например, материалы, которые очень эластичны или обладают определенными оптическими свойствами, или материалы, которые меняют свои свойства в зависимости от внешних сигналов. Модели, которые появляются сейчас, не только способны решить эти проблемы, но и дают возможность объяснить нам, как эти проблемы решаются. Они также могут объяснить, почему одни стратегии работают, а другие нет. Они могут предсказывать новые исследования, например, просить модель предсказать, как определенный материал будет вести себя в мельчайших подробностях, и мы можем подтвердить это с помощью исследований в лабораториях или с помощью физического моделирования. Это ошеломляет и звучит футуристично, но на самом деле это происходит сегодня».

• SEO-контент и PR-распределение. Получите усиление сегодня.
• PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
• ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
• ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
• ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
• Источник: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/