除了炒作之外，人工智能还有望为科学研究提供支持

除了炒作之外，人工智能还有望为科学研究提供支持

时间戳记：2年2023月1日晚上27:XNUMX
除了炒作之外，人工智能还有望为科学研究柏拉图区块链数据智能提供支持。垂直搜索。人工智能。

过去十年，人工智能在科学发现中的应用取得了巨大进步，但从业者需要知道何时以及如何改进人工智能的使用，并且必须挑战糟糕的数据质量。

从 药物发现, 材料科学在天体物理学和核聚变领域，使用人工智能的科学家们看到了准确性提高和实验时间缩短的结果。

今天发表在研究杂志《自然》上， 一篇论文 由来自全球 30 名研究人员组成的团队评估了这个大肆宣传的领域所取得的进展，并了解需要做什么。

该论文由斯坦福大学计算机科学和基因泰克小组的博士后研究员 Hanchen Wang 整理，指出人工智能可以帮助“优化参数和功能，自动化收集、可视化和处理数据的程序，探索广阔的候选假设空间以形成理论，产生假设并估计其不确定性以提出相关实验。”

例如，在天体物理学中，一种用于筛选噪声的神经网络无监督学习技术，变分自动编码器已被用于基于预训练的黑洞波形模型来估计引力波探测器参数。 论文称：“这种方法比传统方法快六个数量级，使得捕获瞬态引力波事件变得可行。”

另一个例子来自于实现核聚变的尝试。 谷歌 DeepMind 研究科学家乔纳斯·德格雷夫 (Jonas Degrave) 开发了一种人工智能控制器，可通过托卡马克反应堆中的磁场调节核聚变。 研究人员展示了人工智能代理如何实时测量电压水平和等离子体配置，以帮助控制磁场并满足实验目标。

“强化学习方法已被证明对于托卡马克等离子体的磁控制是有效的，其中算法与托卡马克模拟器相互作用以优化控制过程的策略，”论文说。

该论文认为，尽管人工智能在科学中的应用前景广阔，但它必须面临许多挑战才能得到更广泛的应用。

“人工智能系统的实际实现涉及复杂的软件和硬件工程，需要一系列相互依赖的步骤，从数据管理和处理到算法实现以及用户和应用程序界面的设计。 实施过程中的微小变化可能会导致性能发生巨大变化，并影响将人工智能模型集成到科学实践中的成功。 因此，数据和模型标准化都需要考虑。”

同时，由于训练深度学习模型的方法是随机的，因此在人工智能辅助的结果再现方面存在问题。 “标准化基准和实验设计可以缓解此类问题。 提高可重复性的另一个方向是通过开源计划，发布开放模型、数据集和教育计划，”研究论文补充道。

它还指出，大型科技公司在开发科学人工智能方面占据上风，因为“计算这些更新的计算和数据要求是巨大的，导致巨大的能源足迹和高昂的计算成本。”

大型科技公司在计算基础设施和云服务方面的大量资源和投资正在“突破规模和效率的极限”。

然而，高等教育机构可以帮助自己更好地跨多个学科整合，同时也利用该行业之外不存在的独特历史数据库和测量技术。

该论文呼吁制定一个道德框架，以防止人工智能在科学中的误用，并在所有科学领域提供更好的教育。

“随着人工智能系统的性能接近并超越人类，将其用作常规实验室工作的直接替代品变得可行。 这种方法使研究人员能够根据实验数据迭代开发预测模型，并选择实验来改进它们，而无需手动执行费力且重复的任务。 为了支持这种范式转变，不断涌现的教育项目旨在培训科学家在科学研究中设计、实施和应用实验室自动化和人工智能。 这些程序可以帮助科学家了解何时适合使用人工智能，并防止人工智能分析得出错误的结论。”

该论文指出，2010 年代初深度学习的兴起“显着扩大了这些科学发现过程的范围和雄心”。

不到十年后，谷歌 DeepMind 声称其 AlphaFold 机器学习软件能够以相当高的精度快速预测蛋白质结构，这可能是药物发现的一次飞跃。 为了让学术科学在广泛的学科中应用类似的技术，它需要齐心协力与财力雄厚的大型科技公司竞争。 ®

时间戳记：

更多来自 注册