Le CCC a soutenu trois sessions scientifiques lors de la conférence annuelle de l'AAAS de cette année, et au cas où vous ne pourriez pas y assister en personne, nous récapitulerons chaque session. Cette semaine, nous résumerons les moments forts de la séance, »L'IA générative en science : promesses et pièges.» Dans la deuxième partie, nous résumerons la présentation du Dr Markus Buehler sur l'IA générative en mécanobiologie.

Le Dr Markus Buehler a commencé sa présentation en expliquant comment les modèles génératifs peuvent être appliqués à l'étude de la science des matériaux. Historiquement, en science des matériaux, les chercheurs collectaient des données ou développaient des équations pour décrire le comportement des matériaux et les résolvaient avec un stylo et du papier. L’émergence des ordinateurs a permis aux chercheurs de résoudre ces équations beaucoup plus rapidement et de traiter des systèmes très complexes, par exemple en utilisant la mécanique statistique. Toutefois, pour certains problèmes, la puissance de calcul traditionnelle ne suffit pas. Par exemple, l'image ci-dessous représente le nombre de configurations possibles d'une seule petite protéine (20 ^100  ou 1.27×10^130 dessins). Ce nombre de configurations possibles est supérieur au nombre d'atomes dans l'univers observable (10^80 atomes), ce qui rend ce problème insoluble même pour les plus grands supercalculateurs. 

Avant les modèles génératifs, les équations et algorithmes créés par les scientifiques étaient limités par une certaine caractéristique partagée par tous les chercheurs depuis la nuit des temps : l’humanité. « L'IA générative nous permet d'aller au-delà de l'imagination humaine et de pouvoir inventer et découvrir des choses que nous n'avons pas pu jusqu'à présent, soit parce que nous ne sommes pas assez intelligents, soit parce que nous n'avons pas la capacité d'accéder à toutes les données. en même temps », explique le Dr Buehler. « L’IA générative peut être utilisée pour identifier de nouvelles équations et algorithmes, et peut résoudre ces équations pour nous. De plus, les modèles génératifs peuvent également nous expliquer comment ils ont développé et résolu ces équations, ce qui, à des niveaux de complexité élevés, est absolument nécessaire pour que les chercheurs comprennent les « processus de pensée » des modèles. Un aspect clé du fonctionnement de ces modèles consiste à traduire les informations (par exemple les résultats de mesures) en connaissances en apprenant une représentation graphique de celles-ci.  

Source : MJ Buehler, Accélérer la découverte scientifique grâce à l'extraction générative de connaissances, à la représentation basée sur des graphiques et au raisonnement graphique intelligent multimodal, arXiv, 2024

La figure ci-dessous montre une nouvelle conception de matériau, un composite hiérarchique à base de mycélium, construit à partir d'IA générative et présentant une combinaison inédite de rhizomorphes de mycélium, de collagène, de charge minérale, de fonctionnalisation de surface et une interaction complexe de porosité et de matériau. 

Source : MJ Buehler, Accélération de la découverte scientifique grâce à l'extraction générative de connaissances, à la représentation basée sur des graphiques et au raisonnement graphique intelligent multimodal, arXiv, 2024. À gauche : composite Mycrlium. À droite : conception des protéines. 

De plus, l’IA générative peut nous aider à visualiser des systèmes complexes. Au lieu de décrire les interactions entre les atomes, l’IA peut représenter ces interactions dans des graphiques, qui décrivent de manière mécanique comment les matériaux fonctionnent, se comportent et interagissent à différentes échelles. Ces outils sont puissants, mais ils ne suffisent pas à eux seuls à résoudre la grande complexité de ces problèmes. Pour résoudre ce problème, nous pouvons combiner de nombreux modèles, comme un modèle capable de faire des simulations physiques et un autre capable de prédire les forces et les contraintes et de concevoir des protéines. Lorsque ces modèles communiquent, ils deviennent des modèles agentiques, dans lesquels chaque modèle individuel est un agent ayant un objectif spécifique. Les résultats de chaque modèle sont communiqués aux autres modèles et pris en compte dans l'évaluation globale des résultats des modèles. Les modèles agents peuvent exécuter des simulations sur des données existantes et générer de nouvelles données. Ainsi, pour les zones disposant de données limitées ou nulles, les chercheurs peuvent utiliser des modèles physiques pour générer des données sur lesquelles exécuter des simulations. « Ce type de modélisation constitue l'un des futurs domaines de croissance des modèles génératifs », explique le Dr Buehler. Ces types de modèles peuvent résoudre des problèmes auparavant considérés comme insolubles sur les superordinateurs, et certains de ces modèles peuvent même fonctionner sur un ordinateur portable standard.

L’un des principaux défis liés à la conception de tels modèles d’IA générative inspirés de la physique et que les chercheurs continuent de résoudre est de savoir comment construire les modèles avec élégance et comment les rendre plus similaires au cerveau humain ou aux systèmes biologiques. Les systèmes biologiques ont la capacité de modifier leur comportement, par exemple lorsque vous vous coupez la peau, la coupure guérira avec le temps. Des modèles peuvent être construits pour agir de la même manière. Au lieu d’entraîner un modèle à guérir une coupure à tout moment, nous pouvons l’entraîner à avoir la capacité de le réassembler pour agir de manière dynamique – dans un certain sens, nous entraînons les modèles à réfléchir d’abord à la question posée et à la manière dont ils pourraient se reconfigurer. « eux-mêmes » pour résoudre au mieux une certaine tâche. Cela peut être utilisé pour faire des prédictions quantitatives (par exemple résoudre une tâche très complexe pour prédire le paysage énergétique d'une protéine), faire des prédictions qualitatives et raisonner sur les résultats, et intégrer différentes expertises et compétences à mesure que des réponses à des tâches complexes sont développées. Il est important de noter que les modèles peuvent également nous expliquer comment ils sont parvenus à la solution, comment fonctionne un système particulier et d’autres détails susceptibles d’intéresser le scientifique humain. Nous pouvons ensuite mener des expériences pour prédire et vérifier les résultats de ces simulations pour les cas qui représentent les idées les plus prometteuses, comme pour les applications de conception de matériaux.

Le Dr Buehler a ensuite parlé des applications spécifiques de ces modèles génératifs en science des matériaux. « Pour calculer le paysage énergétique afin de résoudre le problème du repliement inverse étant donné une certaine protéine, nous n'avons même pas besoin de savoir à quoi ressemble la protéine, j'ai juste besoin de connaître les éléments constitutifs et la séquence d'ADN qui définissent cette protéine et les conditions dans lesquelles elle se produit. L'expérience est menée. Si vous souhaitez un type particulier de protéine avec un certain paysage énergétique, nous pouvons également concevoir cette protéine, sur demande. Les modèles agents peuvent y parvenir car ils ont la capacité de combiner différents modèles, prédictions et données. Cela peut être utilisé pour synthétiser de nouvelles protéines complexes qui n’existent pas dans la nature. Nous pouvons inventer des protéines contenant des fibres ultra résistantes pour remplacer les plastiques, ou créer de meilleurs aliments artificiels ou de nouvelles batteries. Nous pouvons utiliser la boîte à outils de la nature pour aller au-delà de ce que la nature a à offrir et aller bien au-delà des principes évolutifs. Par exemple, nous pouvons concevoir des matériaux à certaines fins, comme un matériau très extensible ou possédant certaines propriétés optiques, ou des matériaux dont les propriétés changent en fonction de signaux externes. Les modèles qui émergent aujourd’hui sont non seulement capables de résoudre ces problèmes, mais également de nous expliquer comment ces problèmes sont résolus. Ils peuvent également expliquer pourquoi certaines stratégies fonctionnent et d’autres non. Ils peuvent prédire de nouvelles recherches, par exemple en demandant à un modèle de prédire de manière très détaillée comment un certain matériau se comportera, et nous pouvons valider cela par des études de recherche en laboratoire ou par des simulations physiques. C’est ahurissant et cela semble futuriste, mais cela se produit réellement aujourd’hui.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/