CCC unterstützte drei wissenschaftliche Sitzungen auf der diesjährigen AAAS-Jahreskonferenz. Falls Sie nicht persönlich teilnehmen konnten, werden wir jede Sitzung noch einmal zusammenfassen. Diese Woche werden wir die Höhepunkte der Sitzung zusammenfassen: „Generative KI in der Wissenschaft: Versprechen und Fallstricke.“ Im zweiten Teil fassen wir den Vortrag von Dr. Markus Bühler zum Thema „Generative KI in der Mechanobiologie“ zusammen.

Dr. Markus Buehler begann seinen Vortrag mit der Frage, wie generative Modelle im Studium der Materialwissenschaften eingesetzt werden können. Historisch gesehen sammelten Forscher in der Materialwissenschaft Daten oder entwickelten Gleichungen, um das Verhalten von Materialien zu beschreiben, und lösten sie mit Stift und Papier. Das Aufkommen von Computern ermöglichte es Forschern, diese Gleichungen viel schneller zu lösen und sehr komplexe Systeme zu behandeln, beispielsweise mithilfe der statistischen Mechanik. Für manche Probleme reicht die herkömmliche Rechenleistung jedoch nicht aus. Das Bild unten zeigt beispielsweise die Anzahl möglicher Konfigurationen eines einzelnen kleinen Proteins (20 ^100  oder 1.27×10^130 Entwürfe). Diese Anzahl möglicher Konfigurationen ist größer als die Anzahl der Atome im beobachtbaren Universum (10^).80 Atome), was dieses Problem selbst für die größten Supercomputer unlösbar macht. 

Vor generativen Modellen waren die von Wissenschaftlern erstellten Gleichungen und Algorithmen durch eine bestimmte Eigenschaft begrenzt, die allen Forschern seit Anbeginn der Zeit gemeinsam war: die Menschheit. „Generative KI ermöglicht es uns, über die menschliche Vorstellungskraft hinauszugehen und Dinge zu erfinden und zu entdecken, zu denen wir bisher nicht in der Lage waren, entweder weil wir nicht schlau genug sind oder weil wir nicht die Kapazität haben, auf jeden Datenpunkt zuzugreifen.“ gleichzeitig“, sagt Dr. Bühler. „Mit generativer KI können neue Gleichungen und Algorithmen identifiziert und diese Gleichungen für uns gelöst werden. Darüber hinaus können generative Modelle uns auch erklären, wie sie diese Gleichungen entwickelt und gelöst haben, was bei hohen Komplexitätsgraden für Forscher unbedingt erforderlich ist, um die „Denkprozesse“ der Modelle zu verstehen.“ Ein wichtiger Aspekt der Funktionsweise dieser Modelle besteht darin, Informationen (z. B. Ergebnisse von Messungen) in Wissen umzuwandeln, indem eine grafische Darstellung davon erlernt wird.  

Quelle: MJ Bühler, Beschleunigung der wissenschaftlichen Entdeckung durch generative Wissensextraktion, graphbasierte Darstellung und multimodales intelligentes Graph-Argumentation, arXiv, 2024

Die folgende Abbildung zeigt ein neues Materialdesign, einen hierarchischen, auf Myzel basierenden Verbundstoff, der aus generativer KI konstruiert wurde und eine noch nie dagewesene Kombination aus Myzel-Rhizomorphen, Kollagen, mineralischem Füllstoff, Oberflächenfunktionalisierung und einem komplexen Zusammenspiel von Porosität und Material aufweist. 

Quelle: MJ Bühler, Beschleunigung der wissenschaftlichen Entdeckung mit generativer Wissensextraktion, graphbasierter Darstellung und multimodalem intelligenten Graph-Argumentation, arXiv, 2024. Links: Mycrlium-Komposit. Rechts: Proteindesign. 

Darüber hinaus kann uns generative KI dabei helfen, komplexe Systeme zu visualisieren. Anstatt Wechselwirkungen zwischen Atomen zu beschreiben, kann KI diese Wechselwirkungen in Diagrammen darstellen, die mechanistisch beschreiben, wie Materialien auf verschiedenen Skalen funktionieren, sich verhalten und interagieren. Diese Tools sind zwar leistungsstark, aber allein nicht stark genug, um die hohe Komplexität dieser Probleme zu lösen. Um dieses Problem zu lösen, können wir viele Modelle kombinieren, beispielsweise ein Modell, das physikalische Simulationen durchführen kann, und ein anderes, das Kräfte und Spannungen vorhersagen und Proteine ​​entwerfen kann. Wenn diese Modelle kommunizieren, werden sie zu Agentenmodellen, wobei jedes einzelne Modell ein Agent mit einem bestimmten Zweck ist. Die Ergebnisse jedes Modells werden den anderen Modellen mitgeteilt und bei der Gesamtbewertung der Ergebnisse der Modelle berücksichtigt. Agentenmodelle können Simulationen bestehender Daten durchführen und neue Daten generieren. Für Gebiete mit begrenzten oder gar keinen Daten können Forscher also physikalische Modelle verwenden, um Daten zu generieren, auf denen Simulationen durchgeführt werden können. „Diese Art der Modellierung ist eines der zukünftigen Wachstumsfelder für generative Modelle“, sagt Dr. Bühler. Diese Art von Modellen kann Probleme lösen, die bisher auf Supercomputern als unlösbar galten, und einige dieser Modelle können sogar auf einem Standard-Laptop ausgeführt werden.

Eine der größten Herausforderungen beim Entwurf solcher von der Physik inspirierter generativer KI-Modelle, mit denen sich die Forscher immer noch befassen, besteht darin, die Modelle elegant aufzubauen und sie dem menschlichen Gehirn oder biologischen Systemen ähnlicher zu machen. Biologische Systeme haben die Fähigkeit, ihr Verhalten zu ändern. Wenn Sie sich beispielsweise in die Haut schneiden, heilt der Schnitt mit der Zeit. Modelle können so gebaut werden, dass sie ähnlich wirken. Anstatt einem Modell beizubringen, einen Schnitt jederzeit zu heilen, können wir ihm die Fähigkeit beibringen, ihn wieder zusammenzusetzen, um dynamisch zu agieren – in gewisser Weise trainieren wir Modelle, zunächst über die gestellte Frage nachzudenken und wie sie sich möglicherweise neu konfigurieren können „selbst“, um eine bestimmte Aufgabe am besten zu lösen. Dies kann verwendet werden, um quantitative Vorhersagen zu treffen (z. B. eine hochkomplexe Aufgabe zu lösen, um die Energielandschaft eines Proteins vorherzusagen), qualitative Vorhersagen zu treffen und die Ergebnisse zu begründen sowie unterschiedliche Fachkenntnisse und Fähigkeiten zu integrieren, wenn Antworten auf komplexe Aufgaben entwickelt werden. Wichtig ist, dass die Modelle uns auch erklären können, wie sie zur Lösung gelangt sind, wie ein bestimmtes System funktioniert und andere Details, die für den menschlichen Wissenschaftler von Interesse sein könnten. Anschließend können wir Experimente durchführen, um die Ergebnisse dieser Simulationen für Fälle vorherzusagen und zu verifizieren, die die vielversprechendsten Ideen darstellen, beispielsweise für Anwendungen im Materialdesign.

Anschließend sprach Dr. Buehler über konkrete Anwendungen dieser generativen Modelle in der Materialwissenschaft. „Um die Energielandschaft zu berechnen, um das Problem der inversen Faltung bei einem bestimmten Protein zu lösen, müssen wir nicht einmal wissen, wie das Protein aussieht, ich muss nur die Bausteine ​​und die DNA-Sequenz kennen, die dieses Protein definiert, und die Bedingungen dafür.“ Das Experiment wird durchgeführt. Wenn Sie eine bestimmte Art von Protein mit einer bestimmten Energielandschaft wünschen, können wir dieses Protein bei Bedarf auch entwerfen. Agentische Modelle können dies tun, weil sie in der Lage sind, verschiedene Modelle, Vorhersagen und Daten zu kombinieren. Damit lassen sich komplexe neuartige Proteine ​​synthetisieren, die in der Natur nicht vorkommen. Wir können Proteine ​​mit superstarken Fasern als Ersatz für Kunststoffe erfinden oder bessere künstliche Lebensmittel oder neue Batterien herstellen. Wir können den Werkzeugkasten der Natur nutzen, um über das hinauszugehen, was die Natur zu bieten hat, und weit über evolutionäre Prinzipien hinauszugehen. Beispielsweise können wir Materialien für bestimmte Zwecke entwerfen, beispielsweise ein Material, das sehr dehnbar ist oder bestimmte optische Eigenschaften aufweist, oder Materialien, die ihre Eigenschaften aufgrund äußerer Signale ändern. Die derzeit entstehenden Modelle sind nicht nur in der Lage, diese Probleme zu lösen, sondern bieten uns auch die Möglichkeit, uns zu erklären, wie diese Probleme gelöst werden. Sie können auch erklären, warum bestimmte Strategien funktionieren und andere nicht. Sie können neue Forschungsergebnisse vorhersagen, indem sie beispielsweise ein Modell bitten, das Verhalten eines bestimmten Materials im Detail vorherzusagen, und wir können dies mit Forschungsstudien in Laboren oder mit physikalischen Simulationen validieren. Das ist verblüffend und klingt futuristisch, aber es passiert tatsächlich heute.“

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/