सीसीसी ने इस वर्ष के एएएएस वार्षिक सम्मेलन में तीन वैज्ञानिक सत्रों का समर्थन किया, और यदि आप व्यक्तिगत रूप से भाग लेने में सक्षम नहीं थे, तो हम प्रत्येक सत्र का पुनर्कथन करेंगे। इस सप्ताह, हम सत्र की मुख्य बातों का सारांश देंगे, “विज्ञान में जनरेटिव एआई: वादे और नुकसान।” भाग दो में, हम मैकेनोबायोलॉजी में जेनरेटिव एआई पर डॉ. मार्कस ब्यूहलर की प्रस्तुति का सारांश देंगे।
डॉ. मार्कस ब्यूहलर ने सामग्री विज्ञान के अध्ययन में जेनेरिक मॉडल को कैसे लागू किया जा सकता है, इस पर बात करते हुए अपनी प्रस्तुति शुरू की। ऐतिहासिक रूप से सामग्री विज्ञान में, शोधकर्ता यह वर्णन करने के लिए डेटा एकत्र करते हैं या समीकरण विकसित करते हैं कि सामग्री कैसे व्यवहार करती है, और उन्हें कलम और कागज से हल करते हैं। कंप्यूटर के उद्भव ने शोधकर्ताओं को इन समीकरणों को अधिक तेज़ी से हल करने और बहुत जटिल प्रणालियों का इलाज करने की अनुमति दी, उदाहरण के लिए सांख्यिकीय यांत्रिकी का उपयोग करना। हालाँकि, कुछ समस्याओं के लिए, पारंपरिक कंप्यूटिंग शक्ति पर्याप्त नहीं है। उदाहरण के लिए, नीचे दी गई छवि एक छोटे प्रोटीन के संभावित विन्यासों की संख्या को दर्शाती है (20 ^100 या 1.27×10^130 डिज़ाइन)। संभावित विन्यास की यह मात्रा अवलोकनीय ब्रह्मांड में परमाणुओं की संख्या (10^) से अधिक है80 परमाणुओं) ने इस समस्या को सबसे बड़े सुपर कंप्यूटरों के लिए भी कठिन बना दिया है।
जेनरेटिव मॉडल से पहले, वैज्ञानिकों द्वारा बनाए गए समीकरण और एल्गोरिदम समय की शुरुआत से सभी शोधकर्ताओं द्वारा साझा की गई एक निश्चित विशेषता द्वारा सीमित थे: मानवता। “जेनरेटिव एआई हमें मानवीय कल्पना से परे जाने की अनुमति देता है ताकि हम उन चीजों का आविष्कार और खोज कर सकें जो हम अब तक करने में असमर्थ रहे हैं, या तो क्योंकि हम पर्याप्त स्मार्ट नहीं हैं या क्योंकि हमारे पास हर डेटा बिंदु तक पहुंचने की क्षमता नहीं है। उसी समय,'' डॉ. ब्यूहलर कहते हैं। “जेनरेटिव एआई का उपयोग नए समीकरणों और एल्गोरिदम की पहचान करने के लिए किया जा सकता है, और हमारे लिए इन समीकरणों को हल कर सकता है। इसके अलावा, जेनरेटिव मॉडल हमें यह भी समझा सकते हैं कि उन्होंने इन समीकरणों को कैसे विकसित और हल किया, जो कि जटिलता के उच्च स्तर पर, शोधकर्ताओं के लिए मॉडल की 'विचार प्रक्रियाओं' को समझने के लिए बिल्कुल आवश्यक है। ये मॉडल कैसे काम करते हैं इसका एक प्रमुख पहलू जानकारी (उदाहरण के लिए माप के परिणाम) का ग्राफ़ प्रतिनिधित्व सीखकर ज्ञान में अनुवाद करना है।
स्रोत: एमजे ब्यूहलर, जनरेटिव नॉलेज एक्सट्रैक्शन, ग्राफ-आधारित प्रतिनिधित्व और मल्टीमॉडल इंटेलिजेंट ग्राफ रीजनिंग के साथ वैज्ञानिक खोज में तेजी लाना, arXiv, 2024
नीचे दिया गया चित्र एक नई सामग्री डिज़ाइन दिखाता है, एक पदानुक्रमित मायसेलियम-आधारित समग्र, जो जनरेटिव एआई से निर्मित है और इसमें मायसेलियम राइजोमोर्फ, कोलेजन, खनिज भराव, सतह कार्यात्मकता और सरंध्रता और सामग्री के एक जटिल परस्पर क्रिया का पहले कभी नहीं देखा गया संयोजन शामिल है।
स्रोत: एमजे ब्यूहलर, जनरेटिव नॉलेज एक्सट्रैक्शन, ग्राफ-आधारित प्रतिनिधित्व और मल्टीमॉडल इंटेलिजेंट ग्राफ रीजनिंग के साथ वैज्ञानिक खोज में तेजी लाना, arXiv, 2024। वाम: माइक्रिलियम कंपोजिट। दाएं: प्रोटीन डिज़ाइन।
इसके अलावा, जेनरेटिव एआई हमें जटिल प्रणालियों की कल्पना करने में मदद कर सकता है। परमाणुओं के बीच परस्पर क्रिया का वर्णन करने के बजाय, एआई इन अंतःक्रियाओं को ग्राफ़ में प्रस्तुत कर सकता है, जो यांत्रिक रूप से वर्णन करता है कि सामग्री विभिन्न स्तरों पर कैसे कार्य करती है, व्यवहार करती है और परस्पर क्रिया करती है। ये उपकरण शक्तिशाली हैं, लेकिन अकेले इन समस्याओं की उच्च जटिलता को हल करने के लिए पर्याप्त मजबूत नहीं हैं। इसे हल करने के लिए, हम कई मॉडलों को जोड़ सकते हैं, जैसे एक मॉडल जो भौतिकी सिमुलेशन कर सकता है और दूसरा जो बलों और तनावों की भविष्यवाणी कर सकता है और प्रोटीन को कैसे डिज़ाइन किया जा सकता है। जब ये मॉडल संचार करते हैं तो वे एजेंटिक मॉडल बन जाते हैं, जहां प्रत्येक व्यक्तिगत मॉडल एक विशिष्ट उद्देश्य वाला एजेंट होता है। प्रत्येक मॉडल का आउटपुट अन्य मॉडलों को सूचित किया जाता है और मॉडल के आउटपुट के समग्र मूल्यांकन में विचार किया जाता है। एजेंट मॉडल मौजूदा डेटा पर सिमुलेशन चला सकते हैं और नया डेटा उत्पन्न कर सकते हैं। इसलिए सीमित या शून्य डेटा वाले क्षेत्रों के लिए, शोधकर्ता सिमुलेशन चलाने के लिए डेटा उत्पन्न करने के लिए भौतिकी मॉडल का उपयोग कर सकते हैं। डॉ. ब्यूहलर कहते हैं, "इस प्रकार की मॉडलिंग जेनेरिक मॉडल के विकास के भविष्य के क्षेत्रों में से एक है।" इस प्रकार के मॉडल उन समस्याओं को हल कर सकते हैं जिन्हें पहले सुपर कंप्यूटर पर कठिन माना जाता था, और इनमें से कुछ मॉडल मानक लैपटॉप पर भी चल सकते हैं।
ऐसे भौतिकी-प्रेरित जेनरेटिव एआई मॉडल को डिजाइन करने में मुख्य चुनौतियों में से एक जिसे शोधकर्ता अभी भी संबोधित कर रहे हैं वह यह है कि मॉडल को सुरुचिपूर्ण ढंग से कैसे बनाया जाए, और उन्हें मानव मस्तिष्क या जैविक प्रणालियों के समान कैसे बनाया जाए। जैविक प्रणालियों में अपने व्यवहार को बदलने की क्षमता होती है, जैसे कि जब आप अपनी त्वचा को काटते हैं, तो कट समय के साथ ठीक हो जाएगा। समान कार्य करने के लिए मॉडल बनाए जा सकते हैं। किसी मॉडल को हर समय कट को ठीक करने के लिए प्रशिक्षित करने के बजाय, हम उन्हें गतिशील रूप से कार्य करने के लिए फिर से इकट्ठा करने की क्षमता रखने के लिए प्रशिक्षित कर सकते हैं - कुछ अर्थों में, हम मॉडल को पहले पूछे गए प्रश्न के बारे में सोचने के लिए प्रशिक्षित करते हैं और वे कैसे पुन: कॉन्फ़िगर करने में सक्षम हो सकते हैं किसी निश्चित कार्य को सर्वोत्तम तरीके से हल करने के लिए 'स्वयं'। इसका उपयोग मात्रात्मक भविष्यवाणियां करने के लिए किया जा सकता है (उदाहरण के लिए प्रोटीन के ऊर्जा परिदृश्य की भविष्यवाणी करने के लिए एक अत्यधिक जटिल कार्य को हल करना), गुणात्मक भविष्यवाणियां करना और परिणामों पर तर्क करना, और जटिल कार्यों के उत्तर विकसित होने पर विभिन्न विशेषज्ञता और कौशल को एकीकृत करना। महत्वपूर्ण रूप से, मॉडल हमें यह भी समझा सकते हैं कि वे समाधान तक कैसे पहुंचे, एक विशेष प्रणाली कैसे काम करती है, और अन्य विवरण जो मानव वैज्ञानिक के लिए रुचिकर हो सकते हैं। फिर हम उन मामलों के लिए इन सिमुलेशन के परिणामों की भविष्यवाणी और सत्यापन करने के लिए प्रयोग चला सकते हैं जो सबसे आशाजनक विचार हैं, जैसे कि सामग्री डिजाइन अनुप्रयोगों के लिए।
इसके बाद डॉ. ब्यूहलर ने सामग्री विज्ञान में इन उत्पादक मॉडलों के विशिष्ट अनुप्रयोगों के बारे में बात की। "एक निश्चित प्रोटीन को देखते हुए व्युत्क्रम तह समस्या को हल करने के लिए ऊर्जा परिदृश्य की गणना करने के लिए, हमें यह जानने की भी आवश्यकता नहीं है कि प्रोटीन कैसा दिखता है, मुझे बस बिल्डिंग ब्लॉक्स और डीएनए अनुक्रम को जानने की आवश्यकता है जो इस प्रोटीन और शर्तों को परिभाषित करता है प्रयोग में आयोजित किया जाता है। यदि आप एक निश्चित ऊर्जा परिदृश्य के साथ एक विशेष प्रकार का प्रोटीन चाहते हैं, तो हम मांग पर उस प्रोटीन को डिजाइन भी कर सकते हैं। एजेंट मॉडल ऐसा कर सकते हैं क्योंकि उनमें विभिन्न मॉडलों, भविष्यवाणियों और डेटा को संयोजित करने की क्षमता होती है। इसका उपयोग उन जटिल नवीन प्रोटीनों को संश्लेषित करने के लिए किया जा सकता है जो प्रकृति में मौजूद नहीं हैं। हम प्लास्टिक के प्रतिस्थापन के रूप में अत्यधिक मजबूत फाइबर वाले प्रोटीन का आविष्कार कर सकते हैं, या बेहतर कृत्रिम भोजन, या नई बैटरी बना सकते हैं। हम प्रकृति के टूलबॉक्स का उपयोग प्रकृति द्वारा प्रदान की गई चीज़ों का विस्तार करने और विकासवादी सिद्धांतों से कहीं आगे जाने के लिए कर सकते हैं। उदाहरण के लिए, हम कुछ उद्देश्यों के लिए सामग्री डिज़ाइन कर सकते हैं, जैसे ऐसी सामग्री जो अत्यधिक खिंचाव वाली हो या जिसमें कुछ ऑप्टिकल गुण हों, या ऐसी सामग्री जो बाहरी संकेतों के आधार पर अपने गुणों को बदलती हो। अब जो मॉडल उभर रहे हैं, वे न केवल इन समस्याओं को हल करने में सक्षम हैं, बल्कि हमें यह समझाने की क्षमता भी प्रदान करते हैं कि इन समस्याओं का समाधान कैसे किया जाता है। वे यह भी स्पष्ट कर सकते हैं कि कुछ रणनीतियाँ क्यों काम करती हैं और अन्य क्यों नहीं। वे नए अनुसंधान की भविष्यवाणी कर सकते हैं, जैसे कि एक मॉडल से यह भविष्यवाणी करने के लिए कहना कि एक निश्चित सामग्री कैसे व्यवहार करेगी, और हम इसे प्रयोगशालाओं में अनुसंधान अध्ययनों या भौतिकी सिमुलेशन के साथ मान्य कर सकते हैं। यह दिमाग चकरा देने वाला है, और भविष्यवादी लगता है, लेकिन यह वास्तव में आज हो रहा है।''
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/
