وعدے اور نقصانات کا خلاصہ – حصہ دو » CCC بلاگ

اس سال کی AAAS سالانہ کانفرنس میں CCC نے تین سائنسی سیشنز کی حمایت کی، اور اگر آپ ذاتی طور پر شرکت کرنے کے قابل نہیں تھے، تو ہم ہر سیشن کو دوبارہ ترتیب دیں گے۔ اس ہفتے، ہم سیشن کی جھلکیوں کا خلاصہ کریں گے، "سائنس میں تخلیقی AI: وعدے اور نقصانات" حصہ دو میں، ہم میکانوبیولوجی میں جنریٹو اے آئی پر ڈاکٹر مارکس بوہلر کی پیشکش کا خلاصہ کریں گے۔

ڈاکٹر مارکس بوہلر نے اپنی پریزنٹیشن کا آغاز یہ بتاتے ہوئے کیا کہ کس طرح مادی سائنس کے مطالعہ میں جنریٹو ماڈلز کو لاگو کیا جا سکتا ہے۔ تاریخی طور پر میٹریل سائنس میں، محققین ڈیٹا اکٹھا کریں گے یا مساوات تیار کریں گے تاکہ یہ بیان کیا جا سکے کہ مواد کیسے برتاؤ کرتا ہے، اور انہیں قلم اور کاغذ سے حل کرتا ہے۔ کمپیوٹرز کے ظہور نے محققین کو ان مساواتوں کو بہت تیزی سے حل کرنے اور بہت پیچیدہ نظاموں کا علاج کرنے کی اجازت دی، مثال کے طور پر شماریاتی میکانکس کا استعمال۔ تاہم، کچھ مسائل کے لیے روایتی کمپیوٹنگ طاقت کافی نہیں ہے۔ مثال کے طور پر، ذیل کی تصویر میں ایک چھوٹے پروٹین کی ممکنہ ترتیب کی تعداد کو دکھایا گیا ہے (20 ^100  یا 1.27×10^130 ڈیزائن)۔ ممکنہ ترتیب کی یہ مقدار قابل مشاہدہ کائنات میں ایٹموں کی تعداد سے زیادہ ہے (10^80 ایٹمز) اس مسئلے کو سب سے بڑے سپر کمپیوٹرز کے لیے بھی ناقابل برداشت بناتا ہے۔ 

تخلیقی ماڈلز سے پہلے، سائنس دانوں کے ذریعہ بنائے گئے مساوات اور الگورتھم ایک خاص خصوصیت کے ذریعہ محدود تھے جو وقت کے آغاز سے ہی تمام محققین کے اشتراک کردہ تھے: انسانیت۔ "جنریٹو AI ہمیں انسانی تخیل سے آگے جانے کی اجازت دیتا ہے تاکہ ہم ایسی چیزوں کو ایجاد اور دریافت کر سکیں جو ہم ابھی تک نہیں کر سکے، یا تو اس وجہ سے کہ ہم کافی ہوشیار نہیں ہیں یا ہمارے پاس ہر ڈیٹا پوائنٹ تک رسائی کی صلاحیت نہیں ہے۔ ایک ہی وقت میں،" ڈاکٹر بوہلر کہتے ہیں۔ "جنریٹیو AI کو نئی مساوات اور الگورتھم کی شناخت کے لیے استعمال کیا جا سکتا ہے، اور یہ ہمارے لیے ان مساوات کو حل کر سکتا ہے۔ مزید برآں، تخلیقی ماڈل ہمیں یہ بھی بتا سکتے ہیں کہ انہوں نے ان مساواتوں کو کیسے تیار کیا اور حل کیا، جو کہ پیچیدگی کی اعلیٰ سطح پر، محققین کے لیے ماڈلز کے 'سوچ کے عمل' کو سمجھنے کے لیے بالکل ضروری ہے۔ یہ ماڈل کس طرح کام کرتے ہیں اس کا ایک اہم پہلو معلومات (مثلاً پیمائش کے نتائج) کو اس کی گراف کی نمائندگی سیکھ کر علم میں ترجمہ کرنا ہے۔  

ماخذ: ایم جے بوہلر، تخلیقی علم کے اخراج، گراف پر مبنی نمائندگی، اور ملٹی موڈل انٹیلیجنٹ گراف ریزننگ کے ساتھ سائنسی دریافت کو تیز کرنا، arXiv، 2024

ذیل کی تصویر ایک نئے مادی ڈیزائن کو ظاہر کرتی ہے، ایک درجہ بندی مائیسیلیم پر مبنی مرکب، جو تخلیقی AI سے بنایا گیا ہے اور اس میں مائیسیلیم ریزومورفز، کولیجن، معدنی فلر، سطح کی فنکشنلائزیشن اور پوروسیٹی اور مواد کا ایک پیچیدہ تعامل ہے جو پہلے کبھی نہیں دیکھا گیا تھا۔ 

ماخذ: ایم جے بوہلر، جنریٹو نالج ایکسٹریکشن، گراف بیسڈ ریپریزنٹیشن، اور ملٹی موڈل انٹیلجنٹ گراف ریزننگ کے ساتھ سائنسی دریافت کو تیز کرنا، arXiv، 2024. بائیں: Mycrlium composite. دائیں: پروٹین ڈیزائن۔ 

مزید برآں، تخلیقی AI پیچیدہ نظاموں کو دیکھنے میں ہماری مدد کر سکتا ہے۔ ایٹموں کے درمیان تعاملات کو بیان کرنے کے بجائے، AI گرافس میں ان تعاملات کی نمائندگی کر سکتا ہے، جو میکانکی طور پر بیان کرتے ہیں کہ مواد کیسے کام کرتے ہیں، برتاؤ کرتے ہیں اور مختلف پیمانے پر تعامل کرتے ہیں۔ یہ اوزار طاقتور ہیں، لیکن اکیلے، وہ ان مسائل کی اعلی پیچیدگی کو حل کرنے کے لئے کافی مضبوط نہیں ہیں. اس کو حل کرنے کے لیے، ہم بہت سے ماڈلز کو یکجا کر سکتے ہیں، جیسے کہ ایک ماڈل جو فزکس سمولیشن کر سکتا ہے اور دوسرا جو قوتوں اور دباؤ کی پیش گوئی کر سکتا ہے اور پروٹین کو کیسے ڈیزائن کرنا ہے۔ جب یہ ماڈل بات چیت کرتے ہیں تو وہ ایجنٹ ماڈل بن جاتے ہیں، جہاں ہر انفرادی ماڈل ایک مخصوص مقصد کے ساتھ ایک ایجنٹ ہوتا ہے۔ ہر ماڈل کے آؤٹ پٹ کو دوسرے ماڈلز تک پہنچایا جاتا ہے اور ماڈلز کے آؤٹ پٹ کی مجموعی تشخیص میں غور کیا جاتا ہے۔ ایجنٹی ماڈل موجودہ ڈیٹا پر نقلیں چلا سکتے ہیں اور نیا ڈیٹا تیار کر سکتے ہیں۔ لہذا محدود یا صفر ڈیٹا والے علاقوں کے لیے، محققین طبیعیات کے ماڈلز کو ڈیٹا بنانے کے لیے استعمال کر سکتے ہیں تاکہ سمیولیشن کو چلایا جا سکے۔ "اس قسم کی ماڈلنگ جنریٹیو ماڈلز کی ترقی کے مستقبل کے شعبوں میں سے ایک ہے،" ڈاکٹر بوہلر کہتے ہیں۔ اس قسم کے ماڈلز ان مسائل کو حل کر سکتے ہیں جنہیں پہلے سپر کمپیوٹرز پر ناقابل تصور سمجھا جاتا تھا، اور ان میں سے کچھ ماڈل معیاری لیپ ٹاپ پر بھی چل سکتے ہیں۔

اس طرح کے طبیعیات سے متاثر جنریٹو AI ماڈلز کو ڈیزائن کرنے میں ایک اہم چیلنج جس پر محققین ابھی تک توجہ دے رہے ہیں وہ یہ ہے کہ ماڈلز کو خوبصورتی سے کیسے بنایا جائے اور انہیں انسانی دماغ یا حیاتیاتی نظام سے مزید مشابہ کیسے بنایا جائے۔ حیاتیاتی نظام اپنے رویے کو تبدیل کرنے کی صلاحیت رکھتے ہیں، جیسے کہ جب آپ اپنی جلد کاٹتے ہیں، تو کٹ وقت کے ساتھ ٹھیک ہو جاتی ہے۔ اسی طرح کام کرنے کے لیے ماڈل بنائے جا سکتے ہیں۔ کسی ماڈل کو ہر وقت کٹ کو ٹھیک کرنے کی تربیت دینے کے بجائے، ہم انہیں تربیت دے سکتے ہیں کہ وہ متحرک طور پر کام کرنے کے لیے انہیں دوبارہ جوڑنے کی صلاحیت حاصل کر سکیں - کسی لحاظ سے، ہم ماڈلز کو تربیت دیتے ہیں کہ وہ پہلے پوچھے گئے سوال کے بارے میں سوچیں اور وہ کس طرح دوبارہ ترتیب دینے کے قابل ہو سکتے ہیں۔ کسی خاص کام کو بہترین طریقے سے حل کرنے کے لیے 'خود'۔ اس کا استعمال مقداری پیشین گوئیاں کرنے کے لیے کیا جا سکتا ہے (مثلاً ایک پروٹین کے توانائی کے منظر نامے کی پیشن گوئی کرنے کے لیے ایک انتہائی پیچیدہ کام کو حل کرنا)، نتائج پر گتاتمک پیش گوئیاں اور استدلال کرنا، اور پیچیدہ کاموں کے جوابات تیار ہوتے ہی مختلف مہارتوں اور مہارتوں کو مربوط کرنا۔ اہم بات یہ ہے کہ ماڈلز ہمیں یہ بھی بتا سکتے ہیں کہ وہ اس حل پر کیسے پہنچے، کوئی خاص نظام کیسے کام کرتا ہے، اور دیگر تفصیلات جو انسانی سائنسدان کے لیے دلچسپی کا باعث ہو سکتی ہیں۔ اس کے بعد ہم ان نمونوں کے نتائج کی پیشن گوئی اور تصدیق کرنے کے لیے تجربات چلا سکتے ہیں جو کہ سب سے زیادہ امید افزا خیالات ہیں، جیسے کہ میٹریل ڈیزائن ایپلی کیشنز کے لیے۔

ڈاکٹر بوہلر نے پھر میٹریل سائنس میں ان جنریٹو ماڈلز کے مخصوص ایپلی کیشنز پر بات کی۔ "ایک خاص پروٹین کی وجہ سے الٹا فولڈنگ کے مسئلے کو حل کرنے کے لیے توانائی کی زمین کی تزئین کا حساب لگانے کے لیے، ہمیں یہ جاننے کی بھی ضرورت نہیں ہے کہ پروٹین کیسا لگتا ہے، مجھے صرف بلڈنگ بلاکس اور ڈی این اے کی ترتیب کو جاننے کی ضرورت ہے جو اس پروٹین کی وضاحت کرتا ہے اور اس کے حالات۔ تجربہ کیا جاتا ہے۔ اگر آپ کسی خاص قسم کا پروٹین چاہتے ہیں جس میں ایک خاص توانائی کی زمین کی تزئین کی گئی ہے، تو ہم مانگ کے مطابق اس پروٹین کو بھی ڈیزائن کر سکتے ہیں۔ ایجنٹی ماڈل ایسا کر سکتے ہیں کیونکہ ان میں مختلف ماڈلز، پیشین گوئیوں اور ڈیٹا کو یکجا کرنے کی صلاحیت ہوتی ہے۔ یہ پیچیدہ ناول پروٹین کی ترکیب کے لیے استعمال کیا جا سکتا ہے جو فطرت میں موجود نہیں ہیں۔ ہم ایسے پروٹین ایجاد کر سکتے ہیں جن میں پلاسٹک کے متبادل کے طور پر انتہائی مضبوط ریشے ہوتے ہیں، یا بہتر مصنوعی خوراک، یا نئی بیٹریاں بنا سکتے ہیں۔ ہم فطرت کے ٹول باکس کو استعمال کر سکتے ہیں تاکہ وہ ماضی کو وسعت دے سکیں جو فطرت نے پیش کی ہے، اور ارتقائی اصولوں سے بہت آگے جا سکتے ہیں۔ مثال کے طور پر، ہم کچھ خاص مقاصد کے لیے مواد کو ڈیزائن کر سکتے ہیں، جیسے کہ ایسا مواد جو بہت زیادہ کھینچا ہوا ہو یا اس میں کچھ نظری خصوصیات ہوں، یا ایسا مواد جو بیرونی اشارے کی بنیاد پر اپنی خصوصیات کو تبدیل کرتا ہو۔ اب جو ماڈل ابھر رہے ہیں وہ نہ صرف ان مسائل کو حل کرنے کے قابل ہیں بلکہ ہمیں یہ سمجھانے کی صلاحیت بھی فراہم کرتے ہیں کہ یہ مسائل کیسے حل ہوتے ہیں۔ وہ یہ بھی واضح کر سکتے ہیں کہ کچھ حکمت عملی کیوں کام کرتی ہے اور دیگر کیوں نہیں کرتی ہیں۔ وہ نئی تحقیق کی پیشین گوئی کر سکتے ہیں، جیسے کہ کسی ماڈل سے یہ پیشین گوئی کرنے کے لیے کہ کوئی خاص مواد بہت تفصیل سے کیسے برتاؤ کرے گا، اور ہم اس کی تصدیق لیبز میں تحقیقی مطالعات، یا طبیعیات کے نقوش کے ساتھ کر سکتے ہیں۔ یہ ذہن کو ہلا دینے والا ہے، اور مستقبل کے حوالے سے لگتا ہے، لیکن حقیقت میں یہ آج ہو رہا 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۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/