دعمت CCC ثلاث جلسات علمية في مؤتمر AAAS السنوي لهذا العام، وفي حالة عدم تمكنك من الحضور شخصيًا، فسوف نقوم بتلخيص كل جلسة. وفي هذا الأسبوع سنلخص أبرز ما جاء في الدورة “الذكاء الاصطناعي التوليدي في العلوم: الوعود والمزالق". في الجزء الثاني، سنلخص عرض الدكتور ماركوس بوهلر حول الذكاء الاصطناعي التوليدي في علم الأحياء الميكانيكي.
بدأ الدكتور ماركوس بوهلر عرضه بتناول كيفية تطبيق النماذج التوليدية في دراسة علم المواد. تاريخيًا في علم المواد، كان الباحثون يجمعون البيانات أو يطورون معادلات لوصف كيفية تصرف المواد، وحلها بالقلم والورق. وقد سمح ظهور أجهزة الكمبيوتر للباحثين بحل هذه المعادلات بسرعة أكبر ومعالجة الأنظمة المعقدة للغاية، على سبيل المثال باستخدام الميكانيكا الإحصائية. ومع ذلك، بالنسبة لبعض المشاكل، فإن قوة الحوسبة التقليدية ليست كافية. على سبيل المثال، الصورة أدناه توضح عدد التكوينات الممكنة لبروتين صغير واحد (20 ^100 أو 1.27×10^130 تصميمات). هذه الكمية من التكوينات الممكنة أكبر من عدد الذرات الموجودة في الكون المرئي (10^80 الذرات) مما يجعل هذه المشكلة مستعصية على الحل حتى بالنسبة لأكبر أجهزة الكمبيوتر العملاقة.
قبل النماذج التوليدية، كانت المعادلات والخوارزميات التي أنشأها العلماء محدودة بخاصية معينة يتقاسمها جميع الباحثين منذ بداية الزمن: الإنسانية. "يسمح لنا الذكاء الاصطناعي التوليدي بتجاوز الخيال البشري حتى نتمكن من اختراع واكتشاف أشياء لم نتمكن من اكتشافها حتى الآن، إما لأننا لسنا أذكياء بما فيه الكفاية أو لأننا لا نملك القدرة على الوصول إلى كل نقطة بيانات يقول الدكتور بوهلر. "يمكن استخدام الذكاء الاصطناعي التوليدي لتحديد المعادلات والخوارزميات الجديدة، ويمكنه حل هذه المعادلات لنا. علاوة على ذلك، يمكن للنماذج التوليدية أيضًا أن تشرح لنا كيفية تطويرها وحلها لهذه المعادلات، والتي، عند مستويات عالية من التعقيد، ضرورية للغاية للباحثين لفهم "عمليات التفكير" الخاصة بالنماذج. أحد الجوانب الرئيسية لكيفية عمل هذه النماذج هو ترجمة المعلومات (مثل نتائج القياسات) إلى معرفة من خلال تعلم تمثيل بياني لها.
المصدر: إم جي بوهلر، تسريع الاكتشاف العلمي من خلال استخلاص المعرفة التوليدية، والتمثيل القائم على الرسم البياني، والاستدلال البياني الذكي متعدد الوسائط، arXiv، 2024
يوضح الشكل أدناه تصميمًا جديدًا للمواد، وهو مركب هرمي قائم على الميسيليوم، تم إنشاؤه من الذكاء الاصطناعي التوليدي ويتميز بمزيج لم يسبق له مثيل من جذور الميسليوم، والكولاجين، والحشو المعدني، ووظيفة السطح، والتفاعل المعقد بين المسامية والمواد.
المصدر: إم جي بوهلر، تسريع الاكتشافات العلمية من خلال استخلاص المعرفة التوليدية، والتمثيل القائم على الرسم البياني، واستدلال الرسم البياني الذكي متعدد الوسائط، arXiv، 2024. اليسار: مركب Mycrlium. على اليمين: تصميم البروتين.
علاوة على ذلك، يمكن أن يساعدنا الذكاء الاصطناعي التوليدي في تصور الأنظمة المعقدة. بدلًا من وصف التفاعلات بين الذرات، يمكن للذكاء الاصطناعي تمثيل هذه التفاعلات في الرسوم البيانية، التي تصف ميكانيكيًا كيفية عمل المواد وتصرفها وتفاعلها على مستويات مختلفة. هذه الأدوات قوية، لكنها وحدها ليست قوية بما يكفي لحل التعقيد الكبير لهذه المشاكل. لحل هذه المشكلة، يمكننا الجمع بين العديد من النماذج، مثل نموذج يمكنه إجراء عمليات محاكاة فيزيائية وآخر يمكنه التنبؤ بالقوى والضغوط وكيفية تصميم البروتينات. عندما تتواصل هذه النماذج فإنها تصبح نماذج وكيلة، حيث يكون كل نموذج فردي وكيلًا لغرض محدد. يتم توصيل مخرجات كل نموذج إلى النماذج الأخرى ويتم أخذها في الاعتبار عند التقييم الشامل لمخرجات النماذج. يمكن للنماذج الوكيلة إجراء عمليات محاكاة على البيانات الموجودة وإنشاء بيانات جديدة. لذلك، بالنسبة للمناطق ذات البيانات المحدودة أو الصفرية، يمكن للباحثين استخدام النماذج الفيزيائية لتوليد البيانات لإجراء عمليات المحاكاة عليها. يقول الدكتور بوهلر: "يعد هذا النوع من النمذجة أحد مجالات النمو المستقبلية للنماذج التوليدية". يمكن لهذه الأنواع من النماذج أن تحل المشكلات التي كانت تعتبر في السابق مستعصية على أجهزة الكمبيوتر العملاقة، ويمكن حتى تشغيل بعض هذه النماذج على جهاز كمبيوتر محمول قياسي.
أحد التحديات الرئيسية في تصميم نماذج الذكاء الاصطناعي التوليدية المستوحاة من الفيزياء والتي لا يزال الباحثون يعالجونها هو كيفية بناء النماذج بشكل أنيق، وكيفية جعلها أكثر شبهاً بالدماغ البشري أو الأنظمة البيولوجية. تتمتع الأنظمة البيولوجية بالقدرة على تغيير سلوكها، على سبيل المثال، عندما تقوم بجرح جلدك، فإن الجرح سوف يلتئم بمرور الوقت. يمكن بناء النماذج لتعمل بشكل مماثل. بدلاً من تدريب النموذج على شفاء الجرح في جميع الأوقات، يمكننا تدريبهم ليكون لديهم القدرة على إعادة تجميعهم للعمل ديناميكيًا - بمعنى ما، نقوم بتدريب النماذج على التفكير أولاً في السؤال المطروح وكيف يمكنهم إعادة التشكيل "أنفسهم" لحل مهمة معينة بشكل أفضل. ويمكن استخدام ذلك لإجراء تنبؤات كمية (على سبيل المثال، حل مهمة معقدة للغاية للتنبؤ بمشهد الطاقة للبروتين)، وإجراء تنبؤات نوعية واستدلال النتائج، ودمج الخبرات والمهارات المختلفة مع تطوير الإجابات للمهام المعقدة. والأهم من ذلك، أن النماذج يمكن أن تشرح لنا أيضًا كيفية وصولها إلى الحل، وكيفية عمل نظام معين، وغيرها من التفاصيل التي قد تهم العالم البشري. يمكننا بعد ذلك إجراء تجارب للتنبؤ بنتائج عمليات المحاكاة هذه والتحقق منها للحالات التي تمثل الأفكار الواعدة، مثل تطبيقات تصميم المواد.
ثم تحدث الدكتور بوهلر عن تطبيقات محددة لهذه النماذج التوليدية في علم المواد. "لحساب مشهد الطاقة لحل مشكلة الطي العكسي في ضوء بروتين معين، لا نحتاج حتى إلى معرفة شكل البروتين، أنا فقط بحاجة إلى معرفة وحدات البناء وتسلسل الحمض النووي الذي يحدد هذا البروتين والظروف التي يتشكل فيها هذا البروتين. يتم إجراء التجربة. إذا كنت تريد نوعًا معينًا من البروتين بمشهد طاقة معين، فيمكننا أيضًا تصميم هذا البروتين، حسب الطلب. يمكن للنماذج الوكيلة القيام بذلك لأن لديها القدرة على الجمع بين النماذج والتنبؤات والبيانات المختلفة. ويمكن استخدام هذا لتجميع بروتينات جديدة معقدة غير موجودة في الطبيعة. يمكننا أن نخترع بروتينات تحتوي على ألياف قوية للغاية كبديل للمواد البلاستيكية، أو نصنع أغذية صناعية أفضل، أو بطاريات جديدة. يمكننا استخدام أدوات الطبيعة للتوسع إلى ما هو أبعد مما تقدمه الطبيعة، والذهاب إلى ما هو أبعد من المبادئ التطورية. على سبيل المثال، يمكننا تصميم مواد لأغراض معينة، مثل مادة شديدة التمدد أو لها خصائص بصرية معينة، أو مواد تتغير خصائصها بناءً على إشارات خارجية. النماذج التي تظهر الآن ليست قادرة على حل هذه المشكلات فحسب، بل توفر أيضًا القدرة على أن تشرح لنا كيفية حل هذه المشكلات. يمكنهم أيضًا توضيح سبب نجاح بعض الاستراتيجيات وعدم نجاح استراتيجيات أخرى. يمكنهم التنبؤ بأبحاث جديدة، مثل مطالبة نموذج بالتنبؤ بكيفية تصرف مادة معينة بقدر كبير من التفصيل، ويمكننا التحقق من صحة ذلك من خلال الدراسات البحثية في المختبرات، أو من خلال المحاكاة الفيزيائية. وهذا أمر محير للعقل، ويبدو مستقبليًا، لكنه يحدث بالفعل اليوم.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/
