สรุปสัญญาและข้อผิดพลาด – ตอนที่สอง » บล็อก CCC

CCC สนับสนุนเซสชันทางวิทยาศาสตร์สามเซสชันในการประชุมประจำปี AAAS ประจำปีนี้ และในกรณีที่คุณไม่สามารถเข้าร่วมด้วยตนเองได้ เราจะสรุปเซสชันแต่ละเซสชัน สัปดาห์นี้เราจะมาสรุปไฮไลท์ของเซสชั่นนี้กัน”AI กำเนิดในทางวิทยาศาสตร์: คำสัญญาและข้อผิดพลาด” ในส่วนที่สอง เราจะสรุปการนำเสนอของ Dr. Markus Buehler เกี่ยวกับ Generative AI ในด้านกลศาสตร์

ดร. Markus Buehler เริ่มการนำเสนอโดยกล่าวถึงวิธีการประยุกต์แบบจำลองเชิงกำเนิดในการศึกษาวัสดุศาสตร์ ในอดีตในด้านวัสดุศาสตร์ นักวิจัยจะรวบรวมข้อมูลหรือพัฒนาสมการเพื่ออธิบายพฤติกรรมของวัสดุ และแก้ปัญหาด้วยปากกาและกระดาษ การเกิดขึ้นของคอมพิวเตอร์ทำให้นักวิจัยสามารถแก้สมการเหล่านี้ได้เร็วยิ่งขึ้นและจัดการกับระบบที่ซับซ้อนมากได้ เช่น การใช้กลศาสตร์ทางสถิติ อย่างไรก็ตาม สำหรับปัญหาบางอย่าง พลังการประมวลผลแบบเดิมยังไม่เพียงพอ ตัวอย่างเช่น รูปภาพด้านล่างแสดงภาพจำนวนโครงร่างที่เป็นไปได้ของโปรตีนขนาดเล็กตัวเดียว (20 ^100  หรือ 1.27×10^130 การออกแบบ) จำนวนการกำหนดค่าที่เป็นไปได้นี้มากกว่าจำนวนอะตอมในจักรวาลที่สังเกตได้ (10^80 อะตอม) ทำให้ปัญหานี้ยากสำหรับซูเปอร์คอมพิวเตอร์ที่ใหญ่ที่สุด 

ก่อนแบบจำลองกำเนิด สมการและอัลกอริธึมที่สร้างขึ้นโดยนักวิทยาศาสตร์ถูกจำกัดด้วยคุณลักษณะบางอย่างที่นักวิจัยทุกคนมีร่วมกันตั้งแต่เริ่มแรก นั่นก็คือ มนุษยชาติ “Generative AI ช่วยให้เราก้าวไปไกลกว่าจินตนาการของมนุษย์ เพื่อให้เราสามารถประดิษฐ์และค้นพบสิ่งที่เรายังไม่สามารถทำได้ เนื่องจากเราไม่ฉลาดพอ หรือเพราะเราไม่มีความสามารถที่จะเข้าถึงทุกจุดข้อมูล ในเวลาเดียวกัน” ดร.บูห์เลอร์กล่าว “Generative AI สามารถใช้เพื่อระบุสมการและอัลกอริธึมใหม่ๆ และสามารถแก้สมการเหล่านี้ให้เราได้ นอกจากนี้ แบบจำลองเชิงกำเนิดยังสามารถอธิบายให้เราทราบว่าพวกเขาพัฒนาและแก้ไขสมการเหล่านี้ได้อย่างไร ซึ่งในระดับความซับซ้อนสูง จำเป็นอย่างยิ่งสำหรับนักวิจัยในการทำความเข้าใจ 'กระบวนการคิด' ของแบบจำลอง” ลักษณะสำคัญของวิธีการทำงานของแบบจำลองเหล่านี้คือการแปลข้อมูล (เช่น ผลลัพธ์ของการวัด) ให้เป็นความรู้โดยการเรียนรู้การแสดงกราฟของมัน  

ที่มา: เอ็มเจ บูห์เลอร์ เร่งการค้นพบทางวิทยาศาสตร์ด้วยการดึงความรู้เชิงสร้างสรรค์ การแสดงตามกราฟ และการใช้เหตุผลกราฟอัจฉริยะหลายรูปแบบ arXiv ปี 2024

รูปด้านล่างแสดงการออกแบบวัสดุใหม่ ซึ่งเป็นคอมโพสิตที่ใช้ไมซีเลียมตามลำดับชั้น สร้างขึ้นจาก generative AI และมีการผสมผสานระหว่างไรโซมอร์ฟของไมซีเลียม คอลลาเจน สารตัวเติมแร่ธาตุ การทำงานของพื้นผิว และการทำงานร่วมกันที่ซับซ้อนของความพรุนและวัสดุที่ไม่เคยเห็นมาก่อน 

ที่มา: เอ็มเจ บูห์เลอร์ เร่งการค้นพบทางวิทยาศาสตร์ด้วยการดึงข้อมูลความรู้เชิงสร้างสรรค์ การแสดงตามกราฟ และการใช้เหตุผลกราฟอัจฉริยะหลายรูปแบบ, arXiv, 2024 ซ้าย: คอมโพสิต Mycrlium ขวา: การออกแบบโปรตีน 

นอกจากนี้ generative AI ยังช่วยให้เราเห็นภาพระบบที่ซับซ้อนได้ แทนที่จะอธิบายปฏิสัมพันธ์ระหว่างอะตอม AI สามารถแสดงปฏิสัมพันธ์เหล่านี้ในรูปแบบกราฟ ซึ่งอธิบายกลไกการทำงานของวัสดุ พฤติกรรม และปฏิสัมพันธ์ในระดับต่างๆ เครื่องมือเหล่านี้มีประสิทธิภาพ แต่เพียงอย่างเดียวไม่แข็งแกร่งพอที่จะแก้ปัญหาที่ซับซ้อนสูงเหล่านี้ได้ เพื่อแก้ปัญหานี้ เราสามารถรวมแบบจำลองต่างๆ เข้าด้วยกัน เช่น แบบจำลองที่สามารถจำลองทางฟิสิกส์ได้ และอีกแบบจำลองหนึ่งที่สามารถทำนายแรงและความเครียดได้ และวิธีการออกแบบโปรตีน เมื่อโมเดลเหล่านี้สื่อสารกัน โมเดลเหล่านั้นจะกลายเป็นโมเดลตัวแทน โดยแต่ละโมเดลเป็นตัวแทนที่มีวัตถุประสงค์เฉพาะ ผลลัพธ์ของแต่ละรุ่นจะถูกส่งไปยังรุ่นอื่นๆ และพิจารณาในการประเมินโดยรวมของผลลัพธ์ของรุ่น โมเดลเอเจนติกสามารถรันการจำลองกับข้อมูลที่มีอยู่และสร้างข้อมูลใหม่ได้ ดังนั้นสำหรับพื้นที่ที่มีข้อมูลจำกัดหรือเป็นศูนย์ นักวิจัยสามารถใช้แบบจำลองทางฟิสิกส์เพื่อสร้างข้อมูลเพื่อใช้ในการจำลองได้ "การสร้างแบบจำลองประเภทนี้เป็นหนึ่งในพื้นที่ในอนาคตของการเติบโตของแบบจำลองกำเนิด" ดร. บูห์เลอร์กล่าว โมเดลประเภทนี้สามารถแก้ปัญหาที่ก่อนหน้านี้ถือว่ายากบนซูเปอร์คอมพิวเตอร์ และบางรุ่นยังสามารถทำงานบนแล็ปท็อปมาตรฐานได้อีกด้วย

หนึ่งในความท้าทายหลักในการออกแบบโมเดล AI เจนเนอเรชันที่ได้รับแรงบันดาลใจจากฟิสิกส์ ซึ่งนักวิจัยยังคงให้ความสำคัญอยู่ก็คือวิธีสร้างโมเดลให้สวยงาม และวิธีทำให้โมเดลคล้ายกับสมองของมนุษย์หรือระบบทางชีววิทยามากขึ้น ระบบทางชีวภาพมีความสามารถในการเปลี่ยนแปลงพฤติกรรม เช่น เมื่อคุณกรีดผิวหนัง บาดแผลจะหายเองเมื่อเวลาผ่านไป แบบจำลองสามารถสร้างให้ทำหน้าที่คล้ายกันได้ แทนที่จะฝึกโมเดลเพื่อรักษาบาดแผลตลอดเวลา เราสามารถฝึกโมเดลให้มีความสามารถในการประกอบกลับคืนมาเพื่อดำเนินการแบบไดนามิก ในแง่หนึ่ง เราฝึกโมเดลให้คิดถึงคำถามที่ถามเป็นอันดับแรก และวิธีที่โมเดลสามารถกำหนดค่าใหม่ได้ 'ตัวเอง' เพื่อแก้ปัญหางานบางอย่างได้ดีที่สุด ข้อมูลนี้สามารถใช้ในการทำนายเชิงปริมาณ (เช่น แก้ปัญหางานที่ซับซ้อนสูงเพื่อทำนายภูมิทัศน์พลังงานของโปรตีน) ทำนายเชิงคุณภาพและให้เหตุผลเหนือผลลัพธ์ และบูรณาการความเชี่ยวชาญและทักษะที่แตกต่างกันเพื่อพัฒนาคำตอบของงานที่ซับซ้อน ที่สำคัญ แบบจำลองยังสามารถอธิบายให้เราทราบได้ว่ามาถึงวิธีแก้ปัญหาอย่างไร ระบบทำงานอย่างไร และรายละเอียดอื่นๆ ที่นักวิทยาศาสตร์ที่เป็นมนุษย์อาจสนใจ จากนั้นเราสามารถทำการทดลองเพื่อคาดการณ์และตรวจสอบผลลัพธ์ของการจำลองเหล่านี้สำหรับกรณีที่เป็นแนวคิดที่น่ามีแนวโน้มมากที่สุด เช่น สำหรับการใช้งานการออกแบบวัสดุ

จากนั้น ดร.บูห์เลอร์ได้กล่าวถึงการประยุกต์ใช้แบบจำลองเชิงกำเนิดเหล่านี้ในวัสดุศาสตร์โดยเฉพาะ “ในการคำนวณภูมิทัศน์พลังงานเพื่อแก้ปัญหาการพับผกผันของโปรตีนบางตัว เราไม่จำเป็นต้องรู้ด้วยซ้ำว่าโปรตีนนั้นมีลักษณะอย่างไร ฉันแค่ต้องรู้ส่วนประกอบและลำดับดีเอ็นเอที่กำหนดโปรตีนนี้และเงื่อนไขของ มีการทำการทดลอง หากคุณต้องการโปรตีนชนิดใดชนิดหนึ่งที่มีภูมิทัศน์พลังงานที่แน่นอน เราก็สามารถออกแบบโปรตีนนั้นได้ตามความต้องการ โมเดลเอเจนติกสามารถทำได้เนื่องจากมีความสามารถในการรวมโมเดล การคาดการณ์ และข้อมูลที่แตกต่างกัน สามารถใช้ในการสังเคราะห์โปรตีนใหม่ที่ซับซ้อนซึ่งไม่มีอยู่ในธรรมชาติได้ เราสามารถประดิษฐ์โปรตีนที่มีเส้นใยที่แข็งแกร่งเป็นพิเศษเพื่อใช้ทดแทนพลาสติก หรือสร้างอาหารเทียมที่ดีขึ้น หรือแบตเตอรี่ใหม่ เราสามารถใช้กล่องเครื่องมือของธรรมชาติเพื่อขยายสิ่งที่ธรรมชาติมีให้ และไปไกลกว่าหลักการวิวัฒนาการ ตัวอย่างเช่น เราสามารถออกแบบวัสดุเพื่อวัตถุประสงค์บางอย่างได้ เช่น วัสดุที่มีความยืดหยุ่นสูงหรือมีคุณสมบัติทางแสงบางอย่าง หรือวัสดุที่เปลี่ยนแปลงคุณสมบัติตามสัญญาณภายนอก แบบจำลองที่กำลังเกิดขึ้นในขณะนี้ไม่เพียงแต่สามารถแก้ไขปัญหาเหล่านี้ได้เท่านั้น แต่ยังให้ความสามารถในการอธิบายให้เราทราบว่าปัญหาเหล่านี้ได้รับการแก้ไขอย่างไรอีกด้วย พวกเขายังสามารถอธิบายได้ว่าทำไมกลยุทธ์บางอย่างถึงได้ผลแต่บางกลยุทธ์ไม่ได้ผล พวกเขาสามารถทำนายงานวิจัยใหม่ๆ ได้ เช่น การถามแบบจำลองเพื่อทำนายว่าวัสดุบางชนิดจะมีพฤติกรรมอย่างไรอย่างละเอียด และเราสามารถตรวจสอบสิ่งนี้ได้ด้วยการศึกษาวิจัยในห้องปฏิบัติการ หรือด้วยการจำลองทางฟิสิกส์ นี่เป็นเรื่องที่น่าเหลือเชื่อและฟังดูล้ำสมัย แต่จริงๆ แล้วมันกำลังเกิดขึ้นทุกวันนี้”

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/