ہائپ کے علاوہ، AI سائنسی تحقیق کے لیے آگے بڑھنے کا وعدہ کرتا ہے۔

پچھلی دہائی میں سائنسی دریافت کے لیے مصنوعی ذہانت کے استعمال میں بڑی پیش رفت ہوئی ہے، لیکن پریکٹیشنرز کو یہ جاننے کی ضرورت ہے کہ AI کے استعمال کو کب اور کیسے بہتر بنایا جائے اور ڈیٹا کے خراب معیار کو چیلنج کرنا چاہیے۔

سے منشیات کی دریافت, مادی سائنسفلکی طبیعیات اور نیوکلیئر فیوژن، AI استعمال کرنے والے سائنسدان بہتر درستگی اور تجرباتی وقت میں کمی کے نتائج دیکھ رہے ہیں۔

تحقیقی جریدے نیچر میں آج شائع ہوا، ایک کاغذ دنیا بھر سے 30 محققین کی ایک ٹیم سے بہت زیادہ مشہور فیلڈ میں ہونے والی پیشرفت کا اندازہ لگاتا ہے، اور سمجھتا ہے کہ کیا کرنے کی ضرورت ہے۔

اسٹینفورڈ کمپیوٹر سائنس اور جینینٹیک گروپ میں پوسٹ ڈاکٹریٹ فیلو، ہینچن وانگ کی طرف سے مارشل، مقالے میں بتایا گیا ہے کہ AI "پیرامیٹرز اور افعال کو بہتر بنانے، ڈیٹا کو جمع کرنے، تصور کرنے اور اس پر کارروائی کرنے کے لیے خودکار طریقہ کار، امیدواروں کے مفروضوں کی وسیع جگہوں کو تلاش کرنے میں مدد کر سکتا ہے۔ نظریات، اور مفروضے پیدا کرنا اور متعلقہ تجربات تجویز کرنے کے لیے ان کی غیر یقینی صورتحال کا اندازہ لگانا۔"

مثال کے طور پر، فلکی طبیعیات میں، شور کی اسکریننگ کے لیے نیورل نیٹ ورکس کے لیے ایک غیر زیر نگرانی سیکھنے کی تکنیک، متغیر آٹو اینکوڈرز کو پہلے سے تربیت یافتہ بلیک ہول ویوفارم ماڈلز کی بنیاد پر کشش ثقل کی لہر کا پتہ لگانے والے پیرامیٹرز کا اندازہ لگانے کے لیے استعمال کیا گیا ہے۔ کاغذ کا کہنا ہے کہ "یہ طریقہ روایتی طریقوں سے زیادہ تیز رفتاری کے چھ آرڈرز تک ہے، جو عارضی کشش ثقل کی لہر کے واقعات کو پکڑنے کے لیے عملی بناتا ہے۔"

ایک اور مثال جوہری فیوژن کو حاصل کرنے کی کوششوں سے ملتی ہے۔ گوگل ڈیپ مائنڈ کے ریسرچ سائنسدان جوناس ڈیگراو نے ٹوکامک ری ایکٹر میں مقناطیسی فیلڈز کے ذریعے نیوکلیئر فیوژن کو ریگولیٹ کرنے کے لیے ایک AI کنٹرولر تیار کیا۔ محققین نے دکھایا کہ ایک AI ایجنٹ مقناطیسی میدان کو کنٹرول کرنے اور تجرباتی اہداف کو پورا کرنے میں مدد کے لیے برقی وولٹیج کی سطح اور پلازما کی ترتیب کی حقیقی وقت کی پیمائش کیسے کر سکتا ہے۔

مقالے کا کہنا ہے کہ "[تقویت سیکھنے کے طریقے] ٹوکامک پلازما کے مقناطیسی کنٹرول کے لیے موثر ثابت ہوئے ہیں، جہاں الگورتھم عمل کو کنٹرول کرنے کی پالیسی کو بہتر بنانے کے لیے ٹوکامک سمیلیٹر کے ساتھ بات چیت کرتا ہے۔"

کاغذ کا استدلال ہے کہ اگرچہ امید افزا، سائنس میں AI کے اطلاق کو مزید وسیع ہونے کے لیے بہت سے چیلنجز کا سامنا کرنا پڑے گا۔

"اے آئی سسٹم کے عملی نفاذ میں پیچیدہ سافٹ ویئر اور ہارڈویئر انجینئرنگ شامل ہے، جس میں ایک دوسرے پر منحصر اقدامات کی ایک سیریز کی ضرورت ہوتی ہے جو ڈیٹا کیوریشن اور پروسیسنگ سے لے کر الگورتھم کے نفاذ اور صارف اور ایپلیکیشن انٹرفیس کے ڈیزائن تک جاتے ہیں۔ نفاذ میں معمولی تغیرات کارکردگی میں خاطر خواہ تبدیلیوں کا باعث بن سکتے ہیں اور سائنسی پریکٹس کے اندر AI ماڈلز کو ضم کرنے کی کامیابی کو متاثر کر سکتے ہیں۔ لہذا، ڈیٹا اور ماڈل کی معیاری کاری دونوں پر غور کرنے کی ضرورت ہے،" اس نے کہا۔

دریں اثنا، گہرے سیکھنے کے ماڈلز کی تربیت کے لیے بے ترتیب یا اسٹاکسٹک اپروچ کی وجہ سے AI کی مدد سے نتائج کو دوبارہ پیش کرنے میں ایک مسئلہ ہے۔ "معیاری معیارات اور تجرباتی ڈیزائن ایسے مسائل کو کم کر سکتے ہیں۔ تولیدی صلاحیت کو بہتر بنانے کی طرف ایک اور سمت اوپن سورس اقدامات کے ذریعے ہے جو کھلے ماڈلز، ڈیٹاسیٹس اور تعلیمی پروگراموں کو جاری کرتے ہیں،" تحقیقی مقالے میں مزید کہا گیا ہے۔

اس میں یہ بھی بتایا گیا ہے کہ سائنس کے لیے AI تیار کرنے میں بگ ٹیک کا ہاتھ ہے کہ "ان اپ ڈیٹس کا حساب لگانے کے لیے کمپیوٹیشنل اور ڈیٹا کی ضروریات بہت زیادہ ہیں، جس کے نتیجے میں توانائی کا ایک بڑا نشان اور زیادہ کمپیوٹیشنل اخراجات ہوتے ہیں۔"

بگ ٹیک کے وسیع وسائل اور کمپیوٹیشنل انفراسٹرکچر اور کلاؤڈ سروسز میں سرمایہ کاری، "پیمانہ اور کارکردگی کی حدود کو آگے بڑھا رہی ہے۔"

تاہم، اعلیٰ تعلیم کے ادارے متعدد شعبوں میں بہتر انضمام کے ساتھ اپنی مدد کر سکتے ہیں جبکہ منفرد تاریخی ڈیٹا بیس اور پیمائشی ٹیکنالوجی سے بھی فائدہ اٹھا سکتے ہیں جو اس شعبے سے باہر موجود نہیں ہیں۔

اس مقالے میں سائنس میں AI کے غلط استعمال اور تمام سائنسی شعبوں میں بہتر تعلیم کے خلاف حفاظت کے لیے ایک اخلاقی فریم ورک تیار کرنے کا مطالبہ کیا گیا ہے۔

"جیسا کہ اے آئی سسٹمز ایسی کارکردگی تک پہنچتے ہیں جو انسانوں کے حریف اور پیچھے رہ جاتی ہے، اس لیے اسے معمول کے لیبارٹری کے کام کے لیے ڈراپ ان متبادل کے طور پر استعمال کرنا ممکن ہوتا جا رہا ہے۔ یہ نقطہ نظر محققین کو تجرباتی اعداد و شمار سے تکراری طور پر پیش گوئی کرنے والے ماڈل تیار کرنے کے قابل بناتا ہے اور دستی طور پر مشقت اور دہرائے جانے والے کاموں کو انجام دیئے بغیر انہیں بہتر بنانے کے لیے تجربات کا انتخاب کرتا ہے۔ اس پیراڈائم شفٹ کو سپورٹ کرنے کے لیے، سائنس دانوں کو سائنسی تحقیق میں لیبارٹری آٹومیشن اور AI کو ڈیزائن کرنے، لاگو کرنے اور لاگو کرنے کی تربیت دینے کے لیے تعلیمی پروگرام ابھر رہے ہیں۔ یہ پروگرام سائنس دانوں کو یہ سمجھنے میں مدد کرتے ہیں کہ AI کا استعمال کب مناسب ہے اور AI کے تجزیوں سے غلط تشریح شدہ نتائج کو روکنے کے لیے،" یہ کہتا ہے۔

کاغذ نوٹ کرتا ہے کہ 2010 کی دہائی کے اوائل میں گہری سیکھنے کے عروج نے "ان سائنسی دریافت کے عمل کے دائرہ کار اور خواہش کو نمایاں طور پر بڑھا دیا ہے۔"

ایک دہائی سے بھی کم عرصے کے بعد، گوگل ڈیپ مائنڈ نے دعویٰ کیا کہ اس کے الفا فولڈ مشین لرننگ سافٹ ویئر نے تیزی سے پروٹین کی ساخت کی معقول درستگی کے ساتھ پیش گوئی کی ہے، ممکنہ طور پر منشیات کی دریافت میں ایک چھلانگ۔ اکیڈمک سائنس کے لیے اسی طرح کی تکنیکوں کو وسیع شعبوں میں لاگو کرنے کے لیے، اسے بگ ٹیک کی گہری جیبوں سے مقابلہ کرنے کے لیے اپنے عمل کو اکٹھا کرنے کی ضرورت ہے۔ ®

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ آٹوموٹو / ای وی، کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• بلاک آفسیٹس۔ ماحولیاتی آفسیٹ ملکیت کو جدید بنانا۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://go.theregister.com/feed/www.theregister.com/2023/08/02/beyond_the_hype_ai_promises/