จากล่างขึ้นบนสู่บนลงล่าง: นักวิทยาศาสตร์ด้านการคำนวณ Amanda Barnard เกี่ยวกับความสวยงามของการจำลอง การเรียนรู้ของเครื่อง และวิธีที่ทั้งสองตัดกัน – Physics World

ตั้งแต่การใช้ซูเปอร์คอมพิวเตอร์เพื่อใช้ประโยชน์จากวัสดุประเภทใหม่ๆ ไปจนถึงการฝึกโมเดลการเรียนรู้ของเครื่องเพื่อศึกษาคุณสมบัติที่ซับซ้อนในระดับนาโน อแมนดา บาร์นาร์ด นักคำนวณชาวออสเตรเลีย ทำงานที่อินเทอร์เฟซของคอมพิวเตอร์และวิทยาการข้อมูล ศาสตราจารย์อาวุโสใน คณะคอมพิวเตอร์ที่มหาวิทยาลัยแห่งชาติออสเตรเลียBarnard ยังเป็นรองผู้อำนวยการและหัวหน้าด้านวิทยาการคอมพิวเตอร์อีกด้วย ปัจจุบัน เธอใช้วิธีการคำนวณที่หลากหลายเพื่อแก้ปัญหาในสาขาวิทยาศาสตร์กายภาพ แต่บาร์นาร์ดเริ่มต้นอาชีพนักฟิสิกส์ โดยได้รับปริญญาเอกสาขาฟิสิกส์สสารควบแน่นทางทฤษฎีในปี 2003

หลังจากใช้เวลาไม่กี่ปีข้างหน้าเป็น postdoc ที่ ศูนย์วัสดุระดับนาโนที่ห้องปฏิบัติการแห่งชาติอาร์กอนน์ ในสหรัฐอเมริกา เธอเริ่มขยายความสนใจด้านการวิจัยให้ครอบคลุมแง่มุมต่างๆ ของวิทยาการคอมพิวเตอร์ รวมถึงการใช้การเรียนรู้ของเครื่องในนาโนเทคโนโลยี วัสดุศาสตร์ เคมี และการแพทย์

เพื่อนของทั้งสอง สถาบันฟิสิกส์แห่งออสเตรเลีย และ ราชสมาคมเคมีในปี 2022 บาร์นาร์ดได้รับการแต่งตั้งให้เป็นก สมาชิกเครื่องอิสริยาภรณ์แห่งออสเตรเลีย. เธอยังได้รับรางวัลมากมายรวมทั้ง รางวัล Feynman Prize สาขานาโนเทคโนโลยีประจำปี 2014 (ทฤษฎี) และ เหรียญรางวัลประจำปี 2019 จาก Association of Molecular Modellers of Australasia. เธอพูดคุยกับ Hamish Johnston เกี่ยวกับความสนใจในการประยุกต์การเรียนรู้ของเครื่องกับปัญหาต่างๆ และเกี่ยวกับความท้าทายและผลตอบแทนของการบริหารมหาวิทยาลัย

คุณช่วยเล่าให้เราฟังหน่อยเกี่ยวกับสิ่งที่คุณทำในฐานะนักวิทยาศาสตร์ด้านคอมพิวเตอร์ได้ไหม

วิทยาศาสตร์คอมพิวเตอร์เกี่ยวข้องกับการออกแบบและใช้แบบจำลองทางคณิตศาสตร์เพื่อวิเคราะห์ปัญหาที่ต้องใช้คอมพิวเตอร์ในหลายๆ สาขาวิชาของวิทยาศาสตร์และวิศวกรรมศาสตร์ ซึ่งรวมถึงความก้าวหน้าในโครงสร้างพื้นฐานด้านการคำนวณและอัลกอริธึมที่ช่วยให้นักวิจัยในโดเมนต่างๆ เหล่านี้สามารถทำการทดลองทางคอมพิวเตอร์ขนาดใหญ่ได้ ในทางหนึ่ง วิทยาการคอมพิวเตอร์เกี่ยวข้องกับการวิจัยเกี่ยวกับคอมพิวเตอร์ประสิทธิภาพสูง ไม่ใช่แค่การวิจัยโดยใช้คอมพิวเตอร์ประสิทธิภาพสูงเท่านั้น

เราใช้เวลาส่วนใหญ่กับอัลกอริธึมและพยายามหาวิธีใช้งานอัลกอริธึมในลักษณะที่ใช้ประโยชน์จากฮาร์ดแวร์ขั้นสูงได้ดีที่สุด และฮาร์ดแวร์นั้นก็เปลี่ยนแปลงอยู่ตลอดเวลา ซึ่งรวมถึงการจำลองแบบดั้งเดิมโดยใช้แบบจำลองทางคณิตศาสตร์ที่พัฒนาขึ้นโดยเฉพาะในขอบเขตทางวิทยาศาสตร์ที่แตกต่างกัน ไม่ว่าจะเป็นฟิสิกส์ เคมี หรือนอกเหนือจากนั้น เรายังใช้เวลามากมายในการใช้วิธีการต่างๆ เรียนรู้เครื่อง (ML) และ ปัญญาประดิษฐ์ (AI) ซึ่งส่วนใหญ่ได้รับการพัฒนาโดยนักวิทยาศาสตร์คอมพิวเตอร์ ทำให้เป็นการวิจัยแบบสหวิทยาการอย่างมาก ซึ่งช่วยให้สามารถนำแนวทางใหม่ ๆ มากมายไปใช้ในสาขาวิทยาศาสตร์ที่แตกต่างกันทั้งหมดเหล่านี้

การเรียนรู้ของเครื่องช่วยให้เราหวนคิดถึงความซับซ้อนมากมายที่เราสูญเสียไปเมื่อได้รับทฤษฎีที่สวยงามเหล่านั้น

การจำลองเกิดขึ้นจากแง่มุมทางทฤษฎีของแต่ละสาขาวิทยาศาสตร์ ซึ่งช่วยให้เราแก้สมการได้ในระดับที่สะดวกด้วยนามธรรม แต่เมื่อเราพัฒนาทฤษฎีเหล่านั้น มันเกือบจะเป็นการทำให้ปัญหาง่ายเกินไป ซึ่งทำขึ้นโดยแสวงหาความสง่างามทางคณิตศาสตร์หรือเพียงเพื่อประโยชน์ในการปฏิบัติจริง ML ช่วยให้เราสามารถหวนคิดถึงความซับซ้อนมากมายที่เราสูญเสียไปเมื่อได้รับทฤษฎีที่สวยงามเหล่านั้น แต่น่าเสียดาย ไม่ใช่ว่า ML ทั้งหมดจะทำงานได้ดีกับวิทยาศาสตร์ ดังนั้นนักวิทยาศาสตร์ด้านการคำนวณจึงใช้เวลาอย่างมากในการพยายามหาวิธีใช้อัลกอริธึมเหล่านี้ที่ไม่เคยมีจุดประสงค์เพื่อใช้กับชุดข้อมูลประเภทนี้เพื่อเอาชนะปัญหาบางประการที่ มีประสบการณ์ที่อินเทอร์เฟซ และนั่นเป็นหนึ่งในพื้นที่ที่น่าตื่นเต้นที่ฉันชอบ

คุณเริ่มต้นอาชีพของคุณในฐานะนักฟิสิกส์ อะไรทำให้คุณย้ายมาเรียนสาขาวิทยาการคอมพิวเตอร์?

ฟิสิกส์เป็นจุดเริ่มต้นที่ดีสำหรับทุกสิ่ง แต่ฉันอยู่บนเส้นทางสู่วิทยาศาสตร์คอมพิวเตอร์มาโดยตลอดโดยไม่รู้ตัว ระหว่างการทำโครงงานวิจัยครั้งแรกในฐานะนักเรียน ฉันใช้วิธีการคำนวณและรู้สึกติดใจทันที ฉันชอบการเขียนโค้ด ตั้งแต่การเขียนโค้ดไปจนถึงผลลัพธ์สุดท้าย ดังนั้นฉันจึงรู้ทันทีว่าซูเปอร์คอมพิวเตอร์ถูกกำหนดให้เป็นเครื่องมือทางวิทยาศาสตร์ของฉัน เป็นเรื่องน่าตื่นเต้นที่ได้คิดถึงสิ่งที่นักวิทยาศาสตร์ด้านวัสดุจะทำได้หากพวกเขาสร้างตัวอย่างที่สมบูรณ์แบบทุกครั้งได้ หรือสิ่งที่นักเคมีสามารถทำได้หากสามารถขจัดการปนเปื้อนทั้งหมดและมีปฏิกิริยาที่สมบูรณ์แบบ เราจะทำอย่างไรถ้าเราสามารถสำรวจสภาพแวดล้อมที่รุนแรงหรืออันตรายได้โดยไม่เสี่ยงต่อการบาดเจ็บของใคร? และที่สำคัญกว่านั้น จะเป็นอย่างไรถ้าเราสามารถทำสิ่งเหล่านี้ทั้งหมดพร้อมกัน ตามความต้องการ ทุกครั้งที่เราพยายาม?

ความงามของซูเปอร์คอมพิวเตอร์ก็คือพวกมันเป็นเพียงเครื่องมือเดียวที่ช่วยให้เราสามารถบรรลุถึงความสมบูรณ์แบบนี้ได้ สิ่งที่ทำให้ฉันหลงใหลมากที่สุดคือฉันไม่เพียงแต่สามารถจำลองสิ่งที่เพื่อนร่วมงานของฉันสามารถทำได้ในห้องแล็บเท่านั้น แต่ยังทำทุกอย่างที่พวกเขาไม่สามารถทำได้ในห้องแล็บอีกด้วย ตั้งแต่แรกเริ่ม ฟิสิกส์การคำนวณของฉันอยู่บนคอมพิวเตอร์ จากนั้นเคมีในการคำนวณของฉันก็พัฒนาไปสู่วัสดุ สารสนเทศของวัสดุ และตอนนี้แทบจะเป็นเฉพาะ ML เท่านั้น แต่ฉันให้ความสำคัญกับวิธีการในแต่ละด้านมาโดยตลอด และฉันคิดว่ารากฐานทางฟิสิกส์ทำให้ฉันสามารถคิดได้อย่างสร้างสรรค์มาก เกี่ยวกับวิธีที่ฉันเข้าถึงด้านอื่นๆ ทั้งหมดนี้ด้วยการคำนวณ

การเรียนรู้ของเครื่องแตกต่างจากการจำลองคอมพิวเตอร์แบบคลาสสิกอย่างไร

งานวิจัยส่วนใหญ่ของฉันตอนนี้คือ ML ซึ่งอาจจะเป็น 80% ของงานวิจัยทั้งหมด ฉันยังคงทำการจำลองแบบเดิมๆ อยู่บ้าง เนื่องจากมันทำให้ฉันมีบางอย่างที่แตกต่างออกไปมาก การจำลองโดยพื้นฐานแล้วเป็นแนวทางจากล่างขึ้นบน เราเริ่มต้นด้วยความเข้าใจเกี่ยวกับระบบหรือปัญหา เราทำการจำลอง จากนั้นเราก็ได้รับข้อมูลบางส่วนในตอนท้าย ในทางตรงกันข้าม ML นั้นเป็นแนวทางจากบนลงล่าง เราเริ่มต้นด้วยข้อมูล เรารันแบบจำลอง จากนั้นเราจะเข้าใจระบบหรือปัญหาได้ดีขึ้น การจำลองจะขึ้นอยู่กับกฎที่กำหนดโดยทฤษฎีทางวิทยาศาสตร์ที่เราสร้างขึ้น ในขณะที่ ML ขึ้นอยู่กับประสบการณ์และประวัติศาสตร์ การจำลองมักจะถูกกำหนดไว้เป็นส่วนใหญ่ แม้ว่าจะมีตัวอย่างบางส่วนของวิธีการสุ่ม เช่น มอนติคาร์โล ก็ตาม ML เป็นแบบสุ่มเป็นส่วนใหญ่ แม้ว่าจะมีบางตัวอย่างที่กำหนดได้เช่นกัน

ด้วยการจำลอง ฉันสามารถคาดการณ์ได้ดีมาก ทฤษฎีมากมายที่สนับสนุนการจำลองช่วยให้เราสามารถสำรวจพื้นที่ของ "พื้นที่การกำหนดค่า" (พิกัดที่กำหนดสถานะที่เป็นไปได้ทั้งหมดของระบบ) หรือพื้นที่ของปัญหาที่เราไม่มีข้อมูลหรือข้อมูล ในทางกลับกัน ML เก่งมากในการแก้ไขและเติมเต็มช่องว่างทั้งหมด และเหมาะสำหรับการอนุมานด้วย

แท้จริงแล้วทั้งสองวิธีนั้นใช้ตรรกะประเภทที่แตกต่างกันมาก การจำลองขึ้นอยู่กับตรรกะ "ถ้าอย่างนั้น" ซึ่งหมายความว่าหากฉันมีปัญหาหรือมีเงื่อนไขบางอย่าง ฉันจะได้รับคำตอบตามที่กำหนด ไม่เช่นนั้น หากคำนวณแล้ว มันอาจจะพังหากคุณได้รับ มันผิด. ในทางตรงกันข้าม ML นั้นใช้ตรรกะ "ประมาณ-ปรับปรุง-ทำซ้ำ" ซึ่งหมายความว่าจะให้คำตอบเสมอ คำตอบนั้นปรับปรุงได้เสมอ แต่ก็อาจไม่ถูกต้องเสมอไป นั่นจึงเป็นข้อแตกต่างอีกประการหนึ่ง

การจำลองเป็นแบบสหวิทยาการ โดยมีความสัมพันธ์ใกล้ชิดกับความรู้ในขอบเขตและอาศัยสติปัญญาของมนุษย์ ในทางกลับกัน ML เป็นแบบสหวิทยาการ: การใช้แบบจำลองที่พัฒนานอกขอบเขตดั้งเดิม ทำให้ไม่ขึ้นอยู่กับความรู้ในขอบเขต และอาศัยปัญญาประดิษฐ์อย่างมาก นี่คือเหตุผลที่ฉันชอบรวมทั้งสองแนวทางเข้าด้วยกัน

คุณช่วยเล่าให้เราฟังเพิ่มเติมอีกหน่อยเกี่ยวกับวิธีใช้การเรียนรู้ของเครื่องในการวิจัยของคุณได้ไหม

ก่อนการถือกำเนิดของ ML นักวิทยาศาสตร์ต้องเข้าใจความสัมพันธ์ระหว่างปัจจัยนำเข้าและผลลัพธ์ค่อนข้างมาก เราต้องมีโครงสร้างของแบบจำลองที่กำหนดไว้ล่วงหน้าก่อนจึงจะสามารถแก้ไขได้ หมายความว่าเราต้องมีแนวคิดเกี่ยวกับคำตอบก่อนจึงจะสามารถค้นหาคำตอบได้

เราสามารถพัฒนาโครงสร้างของนิพจน์หรือสมการและแก้มันไปพร้อมๆ กันได้ นั่นช่วยเร่งวิธีการทางวิทยาศาสตร์ และเป็นอีกเหตุผลว่าทำไมฉันถึงชอบใช้การเรียนรู้ของเครื่อง

เมื่อคุณใช้ ML เครื่องจักรจะใช้เทคนิคทางสถิติและข้อมูลประวัติเพื่อตั้งโปรแกรมตัวเองโดยทั่วไป หมายความว่าเราสามารถพัฒนาโครงสร้างของนิพจน์หรือสมการและแก้มันไปพร้อมๆ กันได้ นั่นช่วยเร่งวิธีการทางวิทยาศาสตร์ และเป็นอีกเหตุผลว่าทำไมฉันถึงชอบใช้มัน

เทคนิค ML ที่ฉันใช้มีความหลากหลาย ML มีหลากหลายรูปแบบและประเภท เช่นเดียวกับฟิสิกส์เชิงคำนวณหรือวิธีฟิสิกส์เชิงทดลองที่มีหลายประเภท ฉันใช้การเรียนรู้แบบไม่มีผู้ดูแลซึ่งอิงตามตัวแปรอินพุตทั้งหมด และจะพิจารณาการพัฒนา "รูปแบบที่ซ่อนอยู่" หรือพยายามค้นหาข้อมูลที่เป็นตัวแทน นั่นมีประโยชน์สำหรับวัสดุในนาโนศาสตร์ เมื่อเราไม่ได้ทำการทดลองเพื่อวัดคุณสมบัติ แต่เรารู้ไม่น้อยเกี่ยวกับเงื่อนไขอินพุตที่เรากำหนดไว้เพื่อพัฒนาวัสดุ

การเรียนรู้แบบไม่มีผู้ดูแลจะมีประโยชน์ในการค้นหากลุ่มของโครงสร้างที่เรียกว่าคลัสเตอร์ที่มีความคล้ายคลึงกันในพื้นที่มิติสูง หรือโครงสร้างที่บริสุทธิ์และเป็นตัวแทน (ต้นแบบหรือต้นแบบ) ที่อธิบายชุดข้อมูลโดยรวม นอกจากนี้เรายังสามารถแปลงข้อมูลเพื่อแมปพวกมันไปยังพื้นที่มิติที่ต่ำกว่า และเผยให้เห็นความคล้ายคลึงกันมากขึ้นที่ไม่เคยปรากฏให้เห็นมาก่อน ในลักษณะเดียวกันกับที่เราอาจเปลี่ยนเป็นพื้นที่ซึ่งกันและกันในฟิสิกส์

ฉันยังใช้ ML ภายใต้การดูแลเพื่อค้นหาความสัมพันธ์และแนวโน้ม เช่น ความสัมพันธ์ระหว่างโครงสร้าง-คุณสมบัติ ซึ่งมีความสำคัญในด้านวัสดุและนาโนศาสตร์ ซึ่งรวมถึงการจำแนกประเภทโดยที่เรามีป้ายกำกับแยกกัน สมมติว่าเรามีอนุภาคนาโนประเภทต่างๆ อยู่แล้ว และเราต้องการกำหนดประเภทอนุภาคเหล่านั้นให้กับประเภทใดประเภทหนึ่งโดยอัตโนมัติ และตรวจสอบให้แน่ใจว่าเราสามารถแยกประเภทเหล่านี้ได้อย่างง่ายดายตามข้อมูลอินพุตเพียงอย่างเดียว

ฉันใช้การเรียนรู้เชิงสถิติและการเรียนรู้แบบกึ่งมีผู้สอนด้วยเช่นกัน โดยเฉพาะอย่างยิ่งการเรียนรู้ทางสถิติมีประโยชน์ในด้านวิทยาศาสตร์ แม้ว่าจะยังไม่มีการใช้กันอย่างแพร่หลายก็ตาม เราคิดว่านั่นเป็นการอนุมานเชิงสาเหตุที่ใช้ในการวินิจฉัยทางการแพทย์บ่อยครั้ง และสามารถนำไปใช้ในการวินิจฉัยได้อย่างมีประสิทธิภาพ ตัวอย่างเช่น วัสดุที่อาจถูกสร้างขึ้น แทนที่จะเพียงแค่ว่าทำไมจึงถูกสร้างขึ้น

กลุ่มวิจัยของคุณประกอบด้วยบุคคลที่มีความสนใจด้านวิทยาศาสตร์ในวงกว้าง คุณช่วยเล่าให้เราฟังถึงสิ่งที่พวกเขากำลังศึกษาอยู่ได้ไหม?

เมื่อฉันเริ่มต้นวิชาฟิสิกส์ ฉันไม่เคยคิดเลยว่าจะถูกรายล้อมไปด้วยกลุ่มคนฉลาดที่น่าทึ่งจากสาขาวิทยาศาสตร์ต่างๆ กลุ่มวิทยาศาสตร์คอมพิวเตอร์ที่มหาวิทยาลัยแห่งชาติออสเตรเลียประกอบด้วยนักวิทยาศาสตร์สิ่งแวดล้อม นักวิทยาศาสตร์โลก นักชีววิทยาด้านคอมพิวเตอร์ และนักชีวสารสนเทศศาสตร์ นอกจากนี้ยังมีนักวิจัยที่ศึกษาเกี่ยวกับจีโนมิกส์ ประสาทวิทยาเชิงคอมพิวเตอร์ เคมีควอนตัม วัสดุศาสตร์ ฟิสิกส์พลาสมา ฟิสิกส์ดาราศาสตร์ ดาราศาสตร์ วิศวกรรมศาสตร์ และนาโนเทคโนโลยี ดังนั้นเราจึงเป็นกลุ่มที่หลากหลาย

กลุ่มของเราประกอบด้วย จูเซปเป้ บาร์ซาซึ่งกำลังพัฒนาอัลกอริธึมที่รองรับแพ็คเกจซอฟต์แวร์เคมีควอนตัมที่ใช้กันทั่วโลก งานวิจัยของเขามุ่งเน้นไปที่วิธีที่เราสามารถใช้ประโยชน์จากโปรเซสเซอร์ใหม่ๆ เช่น ตัวเร่งความเร็ว และวิธีที่เราสามารถคิดใหม่ได้ว่าโมเลกุลขนาดใหญ่สามารถถูกแบ่งพาร์ติชันและแยกส่วนอย่างไร เพื่อที่เราจะสามารถรวมขั้นตอนการทำงานแบบขนานขนาดใหญ่ได้อย่างมีกลยุทธ์ เขายังช่วยให้เราใช้ซูเปอร์คอมพิวเตอร์ได้อย่างมีประสิทธิภาพมากขึ้น ซึ่งช่วยประหยัดพลังงาน และในช่วงสองปีที่ผ่านมา เขาครองสถิติโลก ในอัลกอริธึมเคมีควอนตัมมาตราส่วนที่ดีที่สุด

นอกจากนี้ในขนาดเล็ก – ในแง่ของวิทยาศาสตร์ – ก็คือ มิน บุยซึ่งเป็นนักชีวสารสนเทศศาสตร์ที่ทำงานเกี่ยวกับการพัฒนาแบบจำลองทางสถิติใหม่ๆ ในด้านระบบสายวิวัฒนาการ (สาขาสหสาขาวิชาชีพที่ผสมผสานการวิจัยเชิงวิวัฒนาการเข้ากับชีววิทยาของระบบและนิเวศวิทยา โดยใช้วิธีการจากวิทยาศาสตร์เครือข่าย) ซึ่งรวมถึงแบบจำลองการแบ่งพาร์ติชัน แบบจำลองที่รับรู้ถึงไอโซมอร์ฟิซึม และแบบจำลองแผนผังการกระจาย การประยุกต์ใช้สิ่งนี้รวมถึงพื้นที่ในเอนไซม์สังเคราะห์แสงหรือข้อมูลการถอดรหัสวิวัฒนาการของแมลงในระดับลึก และเขาได้ทำงานเกี่ยวกับสาหร่าย รวมถึงแบคทีเรียและไวรัส เช่น HIV และ SARS-CoV-2 (ซึ่งเป็นสาเหตุของโควิด-19)

ในตอนท้ายของสเกลที่ใหญ่กว่าคือนักคณิตศาสตร์ ฉวนหลิง เติ้งซึ่งงานวิจัยมุ่งเน้นไปที่การสร้างแบบจำลองทางคณิตศาสตร์และการจำลองสำหรับสื่อขนาดใหญ่ เช่น มหาสมุทรและพลวัตของบรรยากาศ รวมถึงพื้นน้ำแข็งที่แอนตาร์กติก

ส่วนที่ดีที่สุดคือเมื่อเราค้นพบว่าปัญหาจากโดเมนหนึ่งได้รับการแก้ไขแล้วในอีกโดเมนหนึ่ง และดียิ่งขึ้นไปอีกเมื่อเราค้นพบปัญหาหนึ่งที่มีประสบการณ์ในหลายโดเมน เพื่อให้เราสามารถปรับขนาดเชิงเส้นตรงได้ จะดีมากเมื่อโซลูชันหนึ่งมีผลกระทบหลายด้าน และคุณจะพบว่านักประสาทวิทยาด้านคอมพิวเตอร์ทำงานร่วมกับนักฟิสิกส์พลาสมาบ่อยแค่ไหน มันก็ไม่เกิดขึ้นตามปกติ

นอกจากจะทำงานร่วมกับกลุ่มวิจัยแล้ว คุณยังดำรงตำแหน่งรองผู้อำนวยการของ School of Computing ของ Australian National University อีกด้วย คุณช่วยเล่าให้เราฟังเกี่ยวกับบทบาทนั้นให้เราฟังหน่อยได้ไหม?

ส่วนใหญ่เป็นบทบาทด้านการบริหาร ดังนั้น นอกจากจะทำงานร่วมกับกลุ่มนักวิทยาศาสตร์คอมพิวเตอร์ที่น่าทึ่งในด้านวิทยาศาสตร์ข้อมูล พื้นฐานด้านภาษา การพัฒนาซอฟต์แวร์ ความปลอดภัยทางไซเบอร์ คอมพิวเตอร์วิทัศน์ หุ่นยนต์ และอื่นๆ แล้ว ฉันยังได้สร้างโอกาสให้ผู้คนใหม่ๆ เข้ามาร่วมงานกับโรงเรียนและเป็น เวอร์ชั่นที่ดีที่สุดของตัวเอง งานส่วนใหญ่ของฉันในตำแหน่งผู้นำเป็นเรื่องเกี่ยวกับผู้คน ซึ่งรวมถึงการสรรหาบุคลากร การดูแลโครงการตามวาระการดำรงตำแหน่งและโครงการพัฒนาวิชาชีพของเราด้วย ฉันยังมีโอกาสเริ่มต้นโปรแกรมใหม่ๆ ในพื้นที่ที่ฉันคิดว่าจำเป็นต้องได้รับความสนใจ

ตัวอย่างหนึ่งคือในช่วงที่มีการระบาดใหญ่ของโควิดทั่วโลก พวกเราหลายคนถูกปิดตัวลงและไม่สามารถเข้าถึงห้องแล็บของเราได้ ซึ่งทำให้เราสงสัยว่าเราจะทำอะไรได้บ้าง ฉันได้มีโอกาสพัฒนาโปรแกรมที่เรียกว่า สมาคมร่วมยูบิลลี่ซึ่งสนับสนุนนักวิจัยที่ทำงานในส่วนติดต่อระหว่างวิทยาการคอมพิวเตอร์กับโดเมนอื่น ซึ่งพวกเขากำลังแก้ไขปัญหาท้าทายที่ยิ่งใหญ่ในสาขาของตน แต่ยังใช้ความรู้ในโดเมนนั้นเพื่อแจ้งวิทยาการคอมพิวเตอร์ประเภทใหม่ ๆ โปรแกรมนี้สนับสนุนนักวิจัยดังกล่าว 2021 คนในสาขาต่างๆ ในปี XNUMX

ฉันยังเป็นประธานของ โครงการสตรีผู้บุกเบิกซึ่งมีทุนการศึกษา การบรรยาย และทุนเพื่อสนับสนุนผู้หญิงที่เข้าสู่วงการคอมพิวเตอร์ และรับประกันว่าพวกเขาจะประสบความสำเร็จตลอดอาชีพการงานกับเรา

และแน่นอนว่าบทบาทอื่นของฉันในฐานะรองผู้อำนวยการคือการดูแลระบบคอมพิวเตอร์ให้กับโรงเรียนของเรา ฉันมองหาวิธีที่เราสามารถกระจายทรัพยากรของเราเพื่อผ่านช่วงเวลาที่ยากลำบาก เช่น ในช่วงโควิด ซึ่งเราไม่สามารถสั่งซื้ออุปกรณ์ใหม่ได้ ฉันยังพิจารณาด้วยว่าเราจะประหยัดพลังงานได้มากขึ้นได้อย่างไร เนื่องจากคอมพิวเตอร์ใช้พลังงานจำนวนมหาศาล

คงจะเป็นเวลาที่น่าตื่นเต้นมากสำหรับผู้ที่ทำการวิจัยใน ML เนื่องจากเทคโนโลยีกำลังค้นพบการใช้งานที่แตกต่างกันมากมาย แอปพลิเคชันใหม่ของ ML ใดที่คุณรอคอยมากที่สุดในการวิจัยของคุณ

อาจมีบางสิ่งที่คุณเคยได้ยินอยู่แล้ว เช่น AI แม้ว่า AI จะมีความเสี่ยง แต่ก็มีโอกาสมหาศาลเช่นกัน และฉันคิดว่า AI เชิงกำเนิดจะมีความสำคัญเป็นพิเศษสำหรับวิทยาศาสตร์ในอีกไม่กี่ปีข้างหน้า หากเราสามารถเอาชนะปัญหาบางอย่างได้ด้วย "ภาพหลอน" [เมื่อระบบ AI เช่น โมเดลภาษาขนาดใหญ่ สร้างข้อมูลเท็จ โดยขึ้นอยู่กับชุดข้อมูลการฝึกอบรมหรือตรรกะเชิงบริบท หรือทั้งสองอย่างรวมกัน]

ไม่ว่าเราจะอยู่ในสาขาวิทยาศาสตร์ใดก็ตาม เราก็ถูกจำกัดด้วยเวลา เรามีเงิน ทรัพยากร และอุปกรณ์ที่เราเข้าถึงได้ หมายความว่าเรากำลังประนีประนอมกับวิทยาศาสตร์ของเราเพื่อให้เข้ากับข้อจำกัดเหล่านี้ แทนที่จะมุ่งเน้นไปที่การเอาชนะมัน

แต่ไม่ว่าเราจะอยู่ในสาขาวิทยาศาสตร์ใด ไม่ว่าจะเป็นการคำนวณหรือการทดลอง เราทุกคนล้วนต้องทนทุกข์ทรมานภายใต้ข้อจำกัดหลายประการ เราถูกจำกัดด้วยเวลาที่เรามี เงิน ทรัพยากร และอุปกรณ์ที่เราเข้าถึงได้ หมายความว่าเรากำลังประนีประนอมกับวิทยาศาสตร์ของเราเพื่อให้เข้ากับข้อจำกัดเหล่านี้ แทนที่จะมุ่งเน้นไปที่การเอาชนะมัน ฉันเชื่ออย่างแท้จริงว่าโครงสร้างพื้นฐานไม่ควรกำหนดสิ่งที่เราทำ แต่ควรเป็นอย่างอื่น

ฉันคิดว่า generative AI มาในเวลาที่เหมาะสมเพื่อช่วยให้เราสามารถเอาชนะปัญหาเหล่านี้ได้ในที่สุด เนื่องจากมีศักยภาพมากมายที่จะเติมเต็มช่องว่าง และช่วยให้เรามีความคิดว่าวิทยาศาสตร์ใดที่เราสามารถทำได้ หากเรามีทั้งหมด ทรัพยากรที่จำเป็น

แท้จริงแล้ว AI สามารถช่วยให้เราได้รับมากขึ้นโดยทำน้อยลง และหลีกเลี่ยงข้อผิดพลาดบางอย่าง เช่น อคติในการเลือก นั่นเป็นปัญหาใหญ่มากเมื่อใช้ ML กับชุดข้อมูลวิทยาศาสตร์ เราจำเป็นต้องทำงานมากขึ้นเพื่อให้แน่ใจว่าวิธีการกำเนิดกำลังสร้างวิทยาศาสตร์ที่มีความหมาย ไม่ใช่ภาพหลอน นี่เป็นสิ่งสำคัญอย่างยิ่งหากพวกเขากำลังจะสร้างรากฐานสำหรับโมเดลที่ผ่านการฝึกอบรมล่วงหน้าขนาดใหญ่ แต่ฉันคิดว่านี่จะเป็นยุควิทยาศาสตร์ที่น่าตื่นเต้นจริงๆ ที่เราทำงานร่วมกันกับ AI แทนที่จะเป็นเพียงการทำงานให้เราเท่านั้น

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
• ที่มา: https://physicsworld.com/a/from-bottom-up-to-top-down-computational-scientist-amanda-barnard-on-the-beauty-of-simulations-machine-learning-and-how-the-two-intersect/