Το CCC υποστήριξε τρεις επιστημονικές συνεδρίες στο φετινό Ετήσιο Συνέδριο AAAS και σε περίπτωση που δεν μπορέσατε να παρευρεθείτε αυτοπροσώπως, θα ανακεφαλαιώσουμε κάθε συνεδρία. Αυτή την εβδομάδα, θα συνοψίσουμε τα κυριότερα σημεία της συνεδρίας, "Generative AI in Science: Promises and Pitfalls.» Στο δεύτερο μέρος, θα συνοψίσουμε την παρουσίαση του Δρ. Markus Buehler σχετικά με το Generative AI στη Μηχανοβιολογία.

Ο Δρ Markus Buehler ξεκίνησε την παρουσίασή του αναφέροντας πώς μπορούν να εφαρμοστούν τα παραγωγικά μοντέλα στη μελέτη της επιστήμης των υλικών. Ιστορικά στην επιστήμη των υλικών, οι ερευνητές συνέλεγαν δεδομένα ή ανέπτυξαν εξισώσεις για να περιγράψουν πώς συμπεριφέρονται τα υλικά και να τα έλυναν με στυλό και χαρτί. Η εμφάνιση των υπολογιστών επέτρεψε στους ερευνητές να λύσουν αυτές τις εξισώσεις πολύ πιο γρήγορα και να επεξεργαστούν πολύ περίπλοκα συστήματα, για παράδειγμα χρησιμοποιώντας στατιστική μηχανική. Για ορισμένα προβλήματα, ωστόσο, η παραδοσιακή υπολογιστική ισχύς δεν είναι αρκετή. Για παράδειγμα, η παρακάτω εικόνα απεικονίζει τον αριθμό των πιθανών διαμορφώσεων μιας μόνο μικρής πρωτεΐνης (20 ^100  ή 1.27×10^130 σχέδια). Αυτός ο αριθμός των πιθανών διαμορφώσεων είναι μεγαλύτερος από τον αριθμό των ατόμων στο παρατηρήσιμο σύμπαν (10^80 άτομα) καθιστώντας αυτό το πρόβλημα δυσεπίλυτο ακόμη και για τους μεγαλύτερους υπερυπολογιστές. 

Πριν από τα γενετικά μοντέλα, οι εξισώσεις και οι αλγόριθμοι που δημιουργήθηκαν από τους επιστήμονες περιορίζονταν από ένα συγκεκριμένο χαρακτηριστικό που μοιράζονταν όλοι οι ερευνητές από την αρχή του χρόνου: την ανθρωπότητα. «Η γενετική τεχνητή νοημοσύνη μάς επιτρέπει να υπερβούμε την ανθρώπινη φαντασία, ώστε να μπορούμε να εφεύρουμε και να ανακαλύψουμε πράγματα που δεν μπορούσαμε μέχρι στιγμής, είτε επειδή δεν είμαστε αρκετά έξυπνοι είτε επειδή δεν έχουμε την ικανότητα να έχουμε πρόσβαση σε κάθε σημείο δεδομένων την ίδια στιγμή», λέει ο Δρ Buehler. «Το Generative AI μπορεί να χρησιμοποιηθεί για τον εντοπισμό νέων εξισώσεων και αλγορίθμων και μπορεί να λύσει αυτές τις εξισώσεις για εμάς. Επιπλέον, τα παραγωγικά μοντέλα μπορούν επίσης να μας εξηγήσουν πώς ανέπτυξαν και έλυσαν αυτές τις εξισώσεις, οι οποίες, σε υψηλά επίπεδα πολυπλοκότητας, είναι απολύτως απαραίτητο για τους ερευνητές να κατανοήσουν τις «διαδικασίες σκέψης» των μοντέλων». Μια βασική πτυχή του τρόπου λειτουργίας αυτών των μοντέλων είναι η μετάφραση πληροφοριών (π.χ. αποτελέσματα μετρήσεων) σε γνώση μαθαίνοντας μια γραφική αναπαράστασή τους.  

Πηγή: MJ Buehler, Επιτάχυνση της Επιστημονικής Ανακάλυψης με Εξαγωγή Γενιουργικής Γνώσης, Αναπαράσταση Βασισμένη σε Γράφημα και Πολυτροπικό Έξυπνο Συλλογισμό Γραφημάτων, arXiv, 2024

Το παρακάτω σχήμα δείχνει έναν νέο σχεδιασμό υλικού, ένα ιεραρχικό σύνθετο με βάση το μυκήλιο, κατασκευασμένο από γενετικό AI και διαθέτει έναν μέχρι τώρα συνδυασμό ριζόμορφων μυκηλίου, κολλαγόνου, ορυκτού πληρωτικού, λειτουργικότητας επιφάνειας και μια πολύπλοκη αλληλεπίδραση πορώδους και υλικού. 

Πηγή: MJ Buehler, Επιτάχυνση της Επιστημονικής Ανακάλυψης με Εξαγωγή Γενιουργικής Γνώσης, Αναπαράσταση Βασισμένη σε Γράφημα και Πολυτροπικό Έξυπνο Συλλογισμό Γραφημάτων, arXiv, 2024. Αριστερά: Σύνθετο Mycrlium. Δεξιά: Σχέδιο πρωτεΐνης. 

Επιπλέον, η γενετική τεχνητή νοημοσύνη μπορεί να μας βοηθήσει να οπτικοποιήσουμε πολύπλοκα συστήματα. Αντί να περιγράφει τις αλληλεπιδράσεις μεταξύ των ατόμων, το AI μπορεί να αναπαραστήσει αυτές τις αλληλεπιδράσεις σε γραφήματα, τα οποία περιγράφουν μηχανιστικά πώς λειτουργούν, συμπεριφέρονται και αλληλεπιδρούν τα υλικά σε διαφορετικές κλίμακες. Αυτά τα εργαλεία είναι ισχυρά, αλλά από μόνα τους, δεν είναι αρκετά ισχυρά για να λύσουν την υψηλή πολυπλοκότητα αυτών των προβλημάτων. Για να το λύσουμε αυτό, μπορούμε να συνδυάσουμε πολλά μοντέλα, όπως ένα μοντέλο που μπορεί να κάνει προσομοιώσεις φυσικής και ένα άλλο που μπορεί να προβλέψει δυνάμεις και τάσεις και πώς να σχεδιάσει πρωτεΐνες. Όταν αυτά τα μοντέλα επικοινωνούν γίνονται μοντέλα πράκτορα, όπου κάθε μεμονωμένο μοντέλο είναι ένας πράκτορας με συγκεκριμένο σκοπό. Η έξοδος κάθε μοντέλου κοινοποιείται στα άλλα μοντέλα και εξετάζεται στη συνολική αξιολόγηση των αποτελεσμάτων των μοντέλων. Τα πράκτορα μοντέλα μπορούν να εκτελέσουν προσομοιώσεις σε υπάρχοντα δεδομένα και να δημιουργήσουν νέα δεδομένα. Έτσι, για περιοχές με περιορισμένα ή μηδενικά δεδομένα, οι ερευνητές μπορούν να χρησιμοποιήσουν μοντέλα φυσικής για να δημιουργήσουν δεδομένα για να εκτελέσουν προσομοιώσεις. «Αυτό το είδος μοντελοποίησης είναι ένας από τους μελλοντικούς τομείς ανάπτυξης για τα παραγωγικά μοντέλα», λέει ο Δρ. Buehler. Αυτοί οι τύποι μοντέλων μπορούν να λύσουν προβλήματα που προηγουμένως θεωρούνταν δυσεπίλυτα σε υπερυπολογιστές και ορισμένα από αυτά τα μοντέλα μπορούν ακόμη και να λειτουργούν σε τυπικό φορητό υπολογιστή.

Μία από τις κύριες προκλήσεις στο σχεδιασμό τέτοιων μοντέλων τεχνητής νοημοσύνης εμπνευσμένα από τη φυσική που εξετάζουν ακόμη οι ερευνητές είναι πώς να κατασκευάσουν κομψά τα μοντέλα και πώς να τα κάνουν πιο παρόμοια με τον ανθρώπινο εγκέφαλο ή τα βιολογικά συστήματα. Τα βιολογικά συστήματα έχουν την ικανότητα να αλλάζουν τη συμπεριφορά τους, όπως όταν κόβετε το δέρμα σας, το κόψιμο θα επουλωθεί με την πάροδο του χρόνου. Τα μοντέλα μπορούν να κατασκευαστούν για να λειτουργούν παρόμοια. Αντί να εκπαιδεύουμε ένα μοντέλο να θεραπεύει ένα κόψιμο ανά πάσα στιγμή, μπορούμε να το εκπαιδεύσουμε ώστε να έχει την ικανότητα να το επανασυναρμολογεί ώστε να ενεργεί δυναμικά – κατά κάποια έννοια, εκπαιδεύουμε τα μοντέλα να σκέφτονται πρώτα την ερώτηση που τίθεται και πώς μπορεί να είναι σε θέση να επαναδιαμορφώσουν «τους εαυτούς τους» για να λύσουν καλύτερα μια συγκεκριμένη εργασία. Αυτό μπορεί να χρησιμοποιηθεί για την πραγματοποίηση ποσοτικών προβλέψεων (π.χ. επίλυση μιας εξαιρετικά σύνθετης εργασίας για την πρόβλεψη του ενεργειακού τοπίου μιας πρωτεΐνης), για ποιοτικές προβλέψεις και αιτιολογία των αποτελεσμάτων και για ενσωμάτωση διαφορετικής τεχνογνωσίας και δεξιοτήτων καθώς αναπτύσσονται απαντήσεις σε σύνθετες εργασίες. Είναι σημαντικό ότι τα μοντέλα μπορούν επίσης να μας εξηγήσουν πώς έφτασαν στη λύση, πώς λειτουργεί ένα συγκεκριμένο σύστημα και άλλες λεπτομέρειες που μπορεί να ενδιαφέρουν τον ανθρώπινο επιστήμονα. Στη συνέχεια, μπορούμε να εκτελέσουμε πειράματα για να προβλέψουμε και να επαληθεύσουμε τα αποτελέσματα αυτών των προσομοιώσεων για περιπτώσεις που είναι οι πιο υποσχόμενες ιδέες, όπως για εφαρμογές σχεδιασμού υλικών.

Στη συνέχεια ο Δρ. Buehler μίλησε για συγκεκριμένες εφαρμογές αυτών των μοντέλων παραγωγής στην επιστήμη των υλικών. «Για να υπολογίσουμε το ενεργειακό τοπίο για να λύσουμε το πρόβλημα της αντίστροφης αναδίπλωσης δεδομένης μιας συγκεκριμένης πρωτεΐνης, δεν χρειάζεται καν να γνωρίζουμε πώς μοιάζει η πρωτεΐνη, απλά πρέπει να μάθω τα δομικά στοιχεία και την αλληλουχία DNA που ορίζει αυτήν την πρωτεΐνη και τις συνθήκες Το πείραμα διεξάγεται μέσα. Εάν θέλετε ένα συγκεκριμένο είδος πρωτεΐνης με ένα συγκεκριμένο ενεργειακό τοπίο, μπορούμε επίσης να σχεδιάσουμε αυτήν την πρωτεΐνη, κατόπιν αιτήματος. Τα πράκτορα μοντέλα μπορούν να το κάνουν αυτό επειδή έχουν την ικανότητα να συνδυάζουν διαφορετικά μοντέλα, προβλέψεις και δεδομένα. Αυτό μπορεί να χρησιμοποιηθεί για τη σύνθεση σύνθετων νέων πρωτεϊνών που δεν υπάρχουν στη φύση. Μπορούμε να εφεύρουμε πρωτεΐνες που έχουν εξαιρετικά ισχυρές ίνες ως υποκατάστατα πλαστικών, ή να δημιουργήσουμε καλύτερη τεχνητή τροφή ή νέες μπαταρίες. Μπορούμε να χρησιμοποιήσουμε την εργαλειοθήκη της φύσης για να επεκταθούμε πέρα ​​από αυτό που έχει να προσφέρει η φύση και να προχωρήσουμε πολύ πέρα ​​από τις εξελικτικές αρχές. Για παράδειγμα, μπορούμε να σχεδιάσουμε υλικά για συγκεκριμένους σκοπούς, όπως ένα υλικό που είναι πολύ ελαστικό ή έχει ορισμένες οπτικές ιδιότητες ή υλικά που αλλάζουν τις ιδιότητές τους με βάση εξωτερικές ενδείξεις. Τα μοντέλα που αναδύονται τώρα δεν είναι μόνο ικανά να λύσουν αυτά τα προβλήματα, αλλά παρέχουν επίσης τη δυνατότητα να μας εξηγήσουν πώς επιλύονται αυτά τα προβλήματα. Μπορούν επίσης να διευκρινίσουν γιατί ορισμένες στρατηγικές λειτουργούν και άλλες όχι. Μπορούν να προβλέψουν νέα έρευνα, όπως να ζητήσουν από ένα μοντέλο να προβλέψει πώς θα συμπεριφερθεί ένα συγκεκριμένο υλικό με μεγάλη λεπτομέρεια, και μπορούμε να το επικυρώσουμε με ερευνητικές μελέτες σε εργαστήρια ή με προσομοιώσεις φυσικής. Αυτό είναι συγκλονιστικό και ακούγεται φουτουριστικό, αλλά στην πραγματικότητα συμβαίνει σήμερα».

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/