Poleg navdušenja AI obljublja napredek pri znanstvenih raziskavah

Ponovno objavil Platon

Spremljevalci: 0

Beyond the hype, AI promises leg up for scientific research PlatoBlockchain Data Intelligence. Vertical Search. Ai.

V zadnjem desetletju je prišlo do velikega napredka pri uporabi umetne inteligence za znanstvena odkritja, vendar morajo strokovnjaki vedeti, kdaj in kako izboljšati svojo uporabo umetne inteligence, ter se morajo spopasti s slabo kakovostjo podatkov.

od odkrivanje drog, Materialna znanost, astrofizike in jedrske fuzije znanstveniki, ki uporabljajo umetno inteligenco, opažajo rezultate v izboljšani natančnosti in skrajšanem eksperimentalnem času.

Danes objavljeno v raziskovalni reviji Nature, papir iz skupine 30 raziskovalcev z vsega sveta ocenjuje napredek na zelo razvpitem področju in razume, kaj je treba storiti.

Prispevek, ki ga je vodil Hanchen Wang, podoktorski sodelavec pri Stanford Computer Science in skupini Genentech, poudarja, da lahko umetna inteligenca pomaga pri »optimiziranju parametrov in funkcij, avtomatiziranju postopkov za zbiranje, vizualizacijo in obdelavo podatkov ter raziskovanju obsežnih prostorov možnih hipotez za oblikovanje teorij ter ustvarjanje hipotez in ocenjevanje njihove negotovosti za predlaganje ustreznih eksperimentov.«

Na primer, v astrofiziki, tehniki nenadzorovanega učenja za nevronske mreže za odkrivanje hrupa, so bili variacijski samokodirniki uporabljeni za oceno parametrov detektorja gravitacijskih valov na podlagi vnaprej pripravljenih modelov valov črne luknje. "Ta metoda je do šest velikosti hitrejša od tradicionalnih metod, zaradi česar je praktično zajeti prehodne dogodke gravitacijskih valov," piše v članku.

Drug primer izhaja iz poskusov doseganja jedrske fuzije. Raziskovalni znanstvenik Google DeepMind Jonas Degrave je razvil krmilnik AI za uravnavanje jedrske fuzije prek magnetnih polj v reaktorju tokamak. Raziskovalci so pokazali, kako lahko agent z umetno inteligenco izvaja meritve ravni električne napetosti in konfiguracij plazme v realnem času, da pomaga nadzorovati magnetno polje in doseči eksperimentalne cilje.

"[Pristopi] okrepljenega učenja so se izkazali za učinkovite pri magnetnem nadzoru plazme tokamaka, kjer algoritem sodeluje s simulatorjem tokamaka, da optimizira politiko za nadzor procesa," piše v dokumentu.

Čeprav je obetavna, se mora uporaba umetne inteligence v znanosti soočiti s številnimi izzivi, da postane bolj razširjena, trdi članek.

»Praktična izvedba sistema umetne inteligence vključuje zapleten inženiring programske in strojne opreme, ki zahteva vrsto medsebojno odvisnih korakov, ki segajo od kuriranja in obdelave podatkov do implementacije algoritmov in oblikovanja uporabniških in aplikacijskih vmesnikov. Manjše razlike v implementaciji lahko privedejo do znatnih sprememb v zmogljivosti in vplivajo na uspešnost vključevanja modelov umetne inteligence v znanstveno prakso. Zato je treba razmisliti o standardizaciji podatkov in modelov,« so zapisali.

Medtem pa obstaja težava pri reprodukciji rezultatov s pomočjo AI zaradi naključnega ali stohastičnega pristopa k usposabljanju modelov globokega učenja. »Standardizirana merila uspešnosti in eksperimentalno načrtovanje lahko ublažijo takšne težave. Druga smer k izboljšanju ponovljivosti so odprtokodne pobude, ki objavljajo odprte modele, nabore podatkov in izobraževalne programe,« dodajajo raziskovalni dokumenti.

Poudarja tudi, da ima Big Tech prednost pri razvoju umetne inteligence za znanost, saj so "računalniške in podatkovne zahteve za izračun teh posodobitev ogromne, kar ima za posledico velik energetski odtis in visoke računske stroške."

Ogromni viri in naložbe Big Tech v računalniško infrastrukturo in storitve v oblaku »pomikajo meje obsega in učinkovitosti«.

Vendar bi si visokošolske ustanove lahko pomagale z boljšim povezovanjem več disciplin, hkrati pa bi izkoriščale edinstvene zgodovinske baze podatkov in merilne tehnologije, ki ne obstajajo zunaj sektorja.

Dokument poziva k razvoju etičnega okvira za zaščito pred napačno uporabo umetne inteligence v znanosti in boljšemu izobraževanju na vseh znanstvenih področjih.

»Ker se sistemi umetne inteligence približujejo zmogljivosti, ki tekmuje in presega ljudi, postaja izvedljiva njegova uporaba kot zamenjava za rutinsko laboratorijsko delo. Ta pristop omogoča raziskovalcem, da iterativno razvijajo napovedne modele iz eksperimentalnih podatkov in izbirajo poskuse, da jih izboljšajo, ne da bi ročno izvajali naporne in ponavljajoče se naloge. Da bi podprli ta premik paradigme, se pojavljajo izobraževalni programi za usposabljanje znanstvenikov za načrtovanje, izvajanje in uporabo laboratorijske avtomatizacije in umetne inteligence v znanstvenih raziskavah. Ti programi pomagajo znanstvenikom razumeti, kdaj je uporaba umetne inteligence primerna, in preprečiti napačno interpretirane zaključke iz analiz umetne inteligence,« piše.

Prispevek ugotavlja, da je porast globokega učenja v zgodnjih 2010-ih "znatno razširil obseg in ambicije teh procesov znanstvenih odkritij."

Manj kot desetletje kasneje je Google DeepMind trdil, da njegova programska oprema za strojno učenje AlphaFold hitro napove strukturo proteinov z dostojno natančnostjo, kar je potencialno korak naprej pri odkrivanju zdravil. Da bi lahko akademska znanost uporabljala podobne tehnike v široki paleti disciplin, se mora zbrati, da bi lahko konkurirala globokim žepom velike tehnologije. ®