Підсумок про обіцянки та підводні камені – Частина друга » Блог CCC

CCC підтримав три наукові сесії на щорічній конференції AAAS цього року, і якщо ви не змогли бути присутніми особисто, ми підведемо підсумки кожної сесії. Цього тижня ми підведемо підсумки сесії,Генеративний ШІ в науці: обіцянки та підводні камені.” У другій частині ми підсумуємо доповідь доктора Маркуса Бюлера про генеративний ШІ в механобіології.

Доктор Маркус Бюлер розпочав свою доповідь із розповіді про те, як генеративні моделі можна застосовувати у вивченні матеріалознавства. Історично в матеріалознавстві дослідники збирали дані або розробляли рівняння, щоб описати, як поводяться матеріали, і вирішували їх за допомогою ручки та паперу. Поява комп’ютерів дозволила дослідникам набагато швидше розв’язувати ці рівняння та розглядати дуже складні системи, наприклад, використовуючи статистичну механіку. Однак для вирішення деяких проблем традиційної обчислювальної потужності недостатньо. Наприклад, на зображенні нижче показано кількість можливих конфігурацій одного маленького білка (20 ^100  або 1.27×10^130 конструкції). Ця кількість можливих конфігурацій перевищує кількість атомів у всесвіті, який можна спостерігати (10^80 атомів), що робить цю проблему нерозв’язною навіть для найбільших суперкомп’ютерів. 

До появи генеративних моделей рівняння й алгоритми, створені вченими, обмежувалися певною характеристикою, яка була спільною для всіх дослідників з початку часів: людяністю. «Генеративний штучний інтелект дозволяє нам виходити за межі людської уяви, щоб ми могли винаходити та відкривати речі, які ми не могли досі зробити через те, що ми недостатньо розумні, або тому, що ми не маємо можливості мати доступ до кожної точки даних. водночас», — каже доктор Бюлер. «Генеративний штучний інтелект можна використовувати для визначення нових рівнянь і алгоритмів і розв’язувати ці рівняння за нас. Крім того, генеративні моделі також можуть пояснити нам, як вони розробили та розв’язали ці рівняння, що, на високих рівнях складності, є абсолютно необхідним для дослідників, щоб зрозуміти «процеси мислення» моделей». Ключовим аспектом роботи цих моделей є перетворення інформації (наприклад, результатів вимірювань) у знання шляхом вивчення її графічного представлення.  

Джерело: MJ Buehler, Прискорення наукових відкриттів за допомогою генеративного вилучення знань, представлення на основі графів і мультимодального інтелектуального обґрунтування графів, arXiv, 2024

На малюнку нижче показано новий дизайн матеріалу, ієрархічний композит на основі міцелію, створений з генеративного штучного інтелекту та містить ніколи раніше не бачене поєднання ризоморфів міцелію, колагену, мінерального наповнювача, функціональності поверхні та складної взаємодії пористості та матеріалу. 

Джерело: MJ Buehler, Прискорення наукових відкриттів за допомогою генеративного вилучення знань, представлення на основі графів і мультимодального інтелектуального обґрунтування графів, arXiv, 2024. Ліворуч: композит Mycrlium. Праворуч: білковий дизайн. 

Крім того, генеративний ШІ може допомогти нам візуалізувати складні системи. Замість того, щоб описувати взаємодії між атомами, штучний інтелект може представити ці взаємодії на графіках, які механічно описують, як функціонують, поводяться та взаємодіють матеріали в різних масштабах. Ці інструменти потужні, але самі по собі вони недостатньо сильні, щоб вирішити високу складність цих проблем. Щоб вирішити цю проблему, ми можемо поєднати багато моделей, наприклад, модель, яка може виконувати фізичне моделювання, та іншу, яка може передбачати сили та напруги та як проектувати білки. Коли ці моделі спілкуються, вони стають агентськими моделями, де кожна окрема модель є агентом із певною метою. Результати кожної моделі передаються іншим моделям і враховуються в загальній оцінці результатів моделей. Агентні моделі можуть запускати моделювання на існуючих даних і генерувати нові дані. Тож для територій з обмеженими або нульовими даними дослідники можуть використовувати фізичні моделі для створення даних для моделювання. «Цей тип моделювання є однією з сфер майбутнього розвитку генеративних моделей», — каже д-р Бюлер. Ці типи моделей можуть вирішувати проблеми, які раніше вважалися нерозв’язними на суперкомп’ютерах, і деякі з цих моделей можуть працювати навіть на стандартному ноутбуці.

Однією з головних проблем у розробці таких натхненних фізикою генеративних моделей штучного інтелекту, яку дослідники все ще вирішують, є те, як елегантно побудувати моделі та як зробити їх більш схожими на людський мозок або біологічні системи. Біологічні системи мають здатність змінювати свою поведінку, наприклад, коли ви порізаєте шкіру, поріз з часом заживає. Моделі можуть бути побудовані так, щоб діяти подібно. Замість того, щоб тренувати модель постійно загоювати поріз, ми можемо навчити її мати здатність знову збирати їх, щоб діяти динамічно – у певному сенсі ми навчаємо моделей спочатку думати про поставлене запитання та про те, як вони можуть змінити конфігурацію «самих», щоб найкраще вирішити певне завдання. Це можна використовувати для кількісних прогнозів (наприклад, для вирішення дуже складного завдання щодо прогнозування енергетичного ландшафту білка), для якісних прогнозів і обґрунтування результатів, а також для об’єднання різних знань і навичок під час розробки відповідей на складні завдання. Важливо, що моделі також можуть пояснити нам, як вони прийшли до рішення, як працює певна система та інші деталі, які можуть зацікавити вченого. Потім ми можемо запустити експерименти, щоб передбачити та перевірити результати цього моделювання для випадків, які є найбільш перспективними ідеями, наприклад, для застосувань дизайну матеріалів.

Потім доктор Бюлер розповів про конкретні застосування цих генеративних моделей у матеріалознавстві. «Щоб розрахувати енергетичний ландшафт для вирішення зворотної проблеми згортання певного білка, нам навіть не потрібно знати, як білок виглядає, мені просто потрібно знати будівельні блоки та послідовність ДНК, яка визначає цей білок, і умови, Якщо вам потрібен певний вид білка з певним енергетичним ландшафтом, ми також можемо розробити цей білок на вимогу. Агентські моделі можуть це зробити, оскільки вони мають здатність поєднувати різні моделі, прогнози та дані. Це можна використовувати для синтезу складних нових білків, яких не існує в природі. Ми можемо винайти білки, які містять надміцні волокна, як заміну пластику, або створити кращу штучну їжу, або нові батареї. Ми можемо використовувати набір інструментів природи, щоб вийти за межі того, що може запропонувати природа, і вийти далеко за рамки еволюційних принципів. Наприклад, ми можемо розробляти матеріали для певних цілей, як-от матеріал, який сильно розтягується або має певні оптичні властивості, або матеріали, які змінюють свої властивості на основі зовнішніх сигналів. Моделі, які зараз з’являються, не тільки здатні вирішити ці проблеми, але й надають можливість пояснити нам, як ці проблеми вирішуються. Вони також можуть пояснити, чому одні стратегії працюють, а інші ні. Вони можуть передбачити нові дослідження, наприклад, попросити модель передбачити, як буде поводитися певний матеріал у великих деталях, і ми можемо підтвердити це за допомогою досліджень у лабораторіях або за допомогою фізичного моделювання. Це приголомшливо і звучить футуристично, але насправді це відбувається сьогодні».

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/