CCC mendukung tiga sesi ilmiah pada Konferensi Tahunan AAAS tahun ini, dan jika Anda tidak dapat hadir secara langsung, kami akan merangkum setiap sesi. Minggu ini, kami akan merangkum hal-hal penting dari sesi ini, “AI Generatif dalam Sains: Janji dan Kesalahan.” Di Bagian Kedua, kami akan merangkum presentasi Dr. Markus Buehler tentang AI Generatif dalam Mekanobiologi.
Markus Buehler memulai presentasinya dengan membahas bagaimana model generatif dapat diterapkan dalam studi ilmu material. Secara historis dalam ilmu material, peneliti akan mengumpulkan data atau mengembangkan persamaan untuk mendeskripsikan perilaku material, dan menyelesaikannya dengan pena dan kertas. Kemunculan komputer memungkinkan peneliti menyelesaikan persamaan ini dengan lebih cepat dan menangani sistem yang sangat kompleks, misalnya menggunakan mekanika statistik. Namun, untuk beberapa masalah, daya komputasi tradisional tidaklah cukup. Misalnya, gambar di bawah menggambarkan jumlah kemungkinan konfigurasi sebuah protein kecil (20 ^100 atau 1.27×10^130 desain). Jumlah kemungkinan konfigurasi ini lebih besar daripada jumlah atom di alam semesta teramati (10^80 atom) membuat masalah ini sulit diselesaikan bahkan untuk superkomputer terbesar sekalipun.
Sebelum model generatif, persamaan dan algoritma yang dibuat oleh para ilmuwan dibatasi oleh karakteristik tertentu yang dimiliki oleh semua peneliti sejak awal: kemanusiaan. “AI generatif memungkinkan kita untuk melampaui imajinasi manusia sehingga kita dapat menemukan dan menemukan hal-hal yang sejauh ini tidak dapat kita lakukan, baik karena kita tidak cukup pintar atau karena kita tidak memiliki kapasitas untuk mengakses setiap titik data. pada saat yang sama,” kata Dr. Buehler. “AI generatif dapat digunakan untuk mengidentifikasi persamaan dan algoritma baru, dan dapat menyelesaikan persamaan tersebut untuk kita. Selain itu, model generatif juga dapat menjelaskan kepada kita bagaimana mereka mengembangkan dan menyelesaikan persamaan ini, yang, pada tingkat kompleksitas yang tinggi, mutlak diperlukan bagi peneliti untuk memahami 'proses berpikir' model.” Aspek kunci dari cara kerja model ini adalah dengan menerjemahkan informasi (misalnya hasil pengukuran) menjadi pengetahuan dengan mempelajari representasi grafiknya.
Sumber: MJ Buehler, Mempercepat Penemuan Ilmiah dengan Ekstraksi Pengetahuan Generatif, Representasi Berbasis Grafik, dan Penalaran Grafik Cerdas Multimodal, arXiv, 2024
Gambar di bawah menunjukkan desain material baru, komposit berbasis miselium hierarkis, dibuat dari AI generatif dan menampilkan kombinasi miselium rhizomorph, kolagen, pengisi mineral, fungsionalisasi permukaan, dan interaksi kompleks antara porositas dan material yang belum pernah dilihat sebelumnya.
Sumber: MJ Buehler, Mempercepat Penemuan Ilmiah dengan Ekstraksi Pengetahuan Generatif, Representasi Berbasis Grafik, dan Penalaran Grafik Cerdas Multimodal, arXiv, 2024. Kiri: Komposit Mycrlium. Kanan: Desain protein.
Selain itu, AI generatif dapat membantu kita memvisualisasikan sistem yang kompleks. Alih-alih mendeskripsikan interaksi antar atom, AI dapat merepresentasikan interaksi ini dalam grafik, yang menggambarkan secara mekanis bagaimana material berfungsi, berperilaku, dan berinteraksi pada skala yang berbeda. Alat-alat ini memang ampuh, namun alat-alat tersebut tidak cukup kuat untuk menyelesaikan permasalahan yang sangat kompleks. Untuk mengatasi hal ini, kita dapat menggabungkan banyak model, seperti model yang dapat melakukan simulasi fisika dan model lainnya yang dapat memprediksi gaya dan tegangan serta cara merancang protein. Ketika model-model ini dikomunikasikan, mereka menjadi model agen, dimana masing-masing model individu merupakan agen dengan tujuan tertentu. Keluaran masing-masing model dikomunikasikan ke model lainnya dan dipertimbangkan dalam evaluasi keluaran model secara keseluruhan. Model agen dapat menjalankan simulasi pada data yang sudah ada dan menghasilkan data baru. Jadi untuk area dengan data terbatas atau nol, peneliti dapat menggunakan model fisika untuk menghasilkan data guna menjalankan simulasi. “Jenis pemodelan ini adalah salah satu bidang pertumbuhan model generatif di masa depan,” kata Dr. Buehler. Model jenis ini dapat memecahkan masalah yang sebelumnya dianggap sulit diselesaikan pada superkomputer, dan beberapa model ini bahkan dapat dijalankan pada laptop standar.
Salah satu tantangan utama dalam merancang model AI generatif yang terinspirasi dari fisika yang masih ditangani oleh para peneliti adalah bagaimana membuat model tersebut dengan elegan, dan bagaimana membuatnya lebih mirip dengan otak manusia atau sistem biologis. Sistem biologis memiliki kemampuan untuk mengubah perilakunya, seperti ketika Anda memotong kulit, luka tersebut akan sembuh seiring berjalannya waktu. Model dapat dibangun untuk bertindak serupa. Daripada melatih model untuk selalu menyembuhkan luka, kita dapat melatih model agar memiliki kemampuan menyusun kembali model agar dapat bertindak secara dinamis – dalam arti tertentu, kita melatih model untuk terlebih dahulu memikirkan pertanyaan yang diajukan dan bagaimana model dapat melakukan konfigurasi ulang 'diri mereka sendiri' untuk menyelesaikan tugas tertentu dengan sebaik-baiknya. Hal ini dapat digunakan untuk membuat prediksi kuantitatif (misalnya memecahkan tugas yang sangat kompleks untuk memprediksi lanskap energi suatu protein), membuat prediksi kualitatif dan mempertimbangkan hasilnya, dan mengintegrasikan berbagai keahlian dan keterampilan sebagai jawaban atas tugas-tugas kompleks yang dikembangkan. Yang penting, model-model tersebut juga dapat menjelaskan kepada kita bagaimana mereka sampai pada solusi, bagaimana sistem tertentu bekerja, dan rincian lain yang mungkin menarik bagi ilmuwan manusia. Kami kemudian dapat menjalankan eksperimen untuk memprediksi dan memverifikasi hasil simulasi ini untuk kasus-kasus yang merupakan ide paling menjanjikan, misalnya untuk aplikasi desain material.
Buehler kemudian membahas penerapan spesifik model generatif ini dalam ilmu material. “Untuk menghitung lanskap energi guna memecahkan masalah pelipatan terbalik dengan protein tertentu, kita bahkan tidak perlu mengetahui seperti apa protein itu, saya hanya perlu mengetahui bahan penyusun dan urutan DNA yang mendefinisikan protein ini dan kondisinya. Percobaan dilakukan di. Jika Anda menginginkan jenis protein tertentu dengan lanskap energi tertentu, kami juga dapat merancang protein tersebut, sesuai permintaan. Model agen dapat melakukan hal ini karena memiliki kapasitas untuk menggabungkan berbagai model, prediksi, dan data. Ini dapat digunakan untuk mensintesis protein baru yang kompleks yang tidak ada di alam. Kita dapat menciptakan protein yang memiliki serat super kuat sebagai pengganti plastik, atau membuat makanan buatan yang lebih baik, atau membuat baterai baru. Kita dapat menggunakan peralatan alam untuk melampaui apa yang ditawarkan alam, dan melampaui prinsip-prinsip evolusi. Misalnya, kita dapat mendesain material untuk tujuan tertentu, seperti material yang sangat elastis atau memiliki sifat optik tertentu, atau material yang mengubah sifatnya berdasarkan isyarat eksternal. Model-model yang muncul saat ini tidak hanya mampu menyelesaikan permasalahan-permasalahan tersebut, namun juga memberikan kemampuan untuk menjelaskan kepada kita bagaimana permasalahan-permasalahan tersebut diselesaikan. Mereka juga dapat menjelaskan mengapa strategi tertentu berhasil dan strategi lainnya tidak. Mereka dapat memprediksi penelitian baru, seperti meminta model untuk memprediksi bagaimana suatu material tertentu akan berperilaku dengan sangat rinci, dan kita dapat memvalidasinya dengan studi penelitian di laboratorium, atau dengan simulasi fisika. Hal ini sangat membingungkan dan terdengar futuristik, namun hal ini benar-benar terjadi saat ini.”
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/
