CCC ondersteunde drie wetenschappelijke sessies op de jaarlijkse AAAS-conferentie van dit jaar, en voor het geval u er niet persoonlijk bij kon zijn, zullen we elke sessie samenvatten. Deze week vatten we de hoogtepunten van de sessie samen: “Generatieve AI in de wetenschap: beloften en valkuilen.” In deel twee zullen we de presentatie van Dr. Markus Buehler over generatieve AI in de mechanobiologie samenvatten.

Dr. Markus Buehler begon zijn presentatie met de vraag hoe generatieve modellen kunnen worden toegepast in de studie van de materiaalkunde. Historisch gezien verzamelden onderzoekers in de materiaalkunde gegevens of ontwikkelden ze vergelijkingen om te beschrijven hoe materialen zich gedragen, en losten ze deze op met pen en papier. Door de opkomst van computers konden onderzoekers deze vergelijkingen veel sneller oplossen en zeer complexe systemen behandelen, bijvoorbeeld met behulp van statistische mechanica. Voor sommige problemen is traditionele rekenkracht echter niet voldoende. De onderstaande afbeelding toont bijvoorbeeld het aantal mogelijke configuraties van een enkel klein eiwit (20 ^100  of 1.27×10^130 ontwerpen). Dit aantal mogelijke configuraties is groter dan het aantal atomen in het waarneembare heelal (10^80 atomen) waardoor dit probleem zelfs voor de grootste supercomputers hardnekkig wordt. 

Vóór generatieve modellen werden de door wetenschappers gecreëerde vergelijkingen en algoritmen beperkt door een bepaald kenmerk dat alle onderzoekers sinds het begin der tijden gemeen hadden: de mensheid. “Generatieve AI stelt ons in staat verder te gaan dan de menselijke verbeelding, zodat we dingen kunnen bedenken en ontdekken die we tot nu toe niet hebben kunnen doen, omdat we niet slim genoeg zijn of omdat we niet de capaciteit hebben om toegang te hebben tot elk datapunt tegelijkertijd”, zegt Dr. Buehler. “Generatieve AI kan worden gebruikt om nieuwe vergelijkingen en algoritmen te identificeren, en kan deze vergelijkingen voor ons oplossen. Bovendien kunnen generatieve modellen ons ook uitleggen hoe ze deze vergelijkingen hebben ontwikkeld en opgelost, wat, op een hoog niveau van complexiteit, absoluut noodzakelijk is voor onderzoekers om de ‘denkprocessen’ van modellen te begrijpen.” Een belangrijk aspect van de manier waarop deze modellen werken is het vertalen van informatie (bijvoorbeeld resultaten van metingen) in kennis door er een grafische weergave van te leren.  

Bron: MJ Bühler, Wetenschappelijke ontdekkingen versnellen met generatieve kennisextractie, op grafieken gebaseerde representatie en multimodale intelligente grafiekredenering, arXiv, 2024

De onderstaande figuur toont een nieuw materiaalontwerp, een hiërarchisch, op mycelium gebaseerd composiet, opgebouwd uit generatieve AI en met een nooit eerder vertoonde combinatie van mycelium-rhizomorfen, collageen, minerale vulstof, oppervlaktefunctionalisatie en een complex samenspel van porositeit en materiaal. 

Bron: MJ Bühler, Wetenschappelijke ontdekkingen versnellen met generatieve kennisextractie, op grafieken gebaseerde representatie en multimodale intelligente grafiekredenering, arXiv, 2024. Links: Mycrlium-composiet. Rechts: Eiwitontwerp. 

Bovendien kan generatieve AI ons helpen complexe systemen te visualiseren. In plaats van de interacties tussen atomen te beschrijven, kan AI deze interacties weergeven in grafieken, die op mechanistische wijze beschrijven hoe materialen op verschillende schaalniveaus functioneren, zich gedragen en op elkaar inwerken. Deze instrumenten zijn krachtig, maar op zichzelf zijn ze niet sterk genoeg om de hoge complexiteit van deze problemen op te lossen. Om dit op te lossen kunnen we veel modellen combineren, zoals een model dat natuurkundige simulaties kan uitvoeren en een ander dat krachten en spanningen kan voorspellen en hoe eiwitten kunnen worden ontworpen. Wanneer deze modellen communiceren, worden het agentische modellen, waarbij elk individueel model een agent is met een specifiek doel. De output van elk model wordt gecommuniceerd naar de andere modellen en wordt meegenomen in de algemene evaluatie van de output van de modellen. Agentische modellen kunnen simulaties uitvoeren op bestaande gegevens en nieuwe gegevens genereren. Dus voor gebieden met beperkte of geen gegevens kunnen onderzoekers natuurkundige modellen gebruiken om gegevens te genereren waarop simulaties kunnen worden uitgevoerd. “Dit type modellering is een van de toekomstige groeigebieden voor generatieve modellen”, zegt Dr. Buehler. Dit soort modellen kunnen problemen oplossen die voorheen als hardnekkig werden beschouwd op supercomputers, en sommige van deze modellen kunnen zelfs op een standaardlaptop draaien.

Een van de belangrijkste uitdagingen bij het ontwerpen van dergelijke op natuurkunde geïnspireerde generatieve AI-modellen waar onderzoekers nog steeds mee bezig zijn, is hoe ze de modellen op elegante wijze kunnen bouwen, en hoe ze meer op het menselijk brein of biologische systemen kunnen lijken. Biologische systemen hebben het vermogen om hun gedrag te veranderen, bijvoorbeeld wanneer u in uw huid snijdt; de snee zal na verloop van tijd genezen. Er kunnen modellen worden gebouwd die op dezelfde manier werken. In plaats van een model te trainen om altijd een snee te genezen, kunnen we ze trainen zodat ze het vermogen hebben om ze weer in elkaar te zetten en dynamisch te handelen. In zekere zin trainen we modellen om eerst na te denken over de gestelde vraag en hoe ze deze opnieuw kunnen configureren 'zichzelf' om een ​​bepaalde taak het beste op te lossen. Dit kan worden gebruikt om kwantitatieve voorspellingen te doen (bijvoorbeeld het oplossen van een zeer complexe taak om het energielandschap van een eiwit te voorspellen), kwalitatieve voorspellingen te doen en over de resultaten te redeneren, en verschillende expertise en vaardigheden te integreren naarmate antwoorden op complexe taken worden ontwikkeld. Belangrijk is dat de modellen ons ook kunnen uitleggen hoe ze tot de oplossing zijn gekomen, hoe een bepaald systeem werkt en andere details die van belang kunnen zijn voor de menswetenschapper. We kunnen vervolgens experimenten uitvoeren om de resultaten van deze simulaties te voorspellen en te verifiëren voor gevallen die de meest veelbelovende ideeën opleveren, zoals voor materiaalontwerptoepassingen.

Dr. Buehler sprak vervolgens over specifieke toepassingen van deze generatieve modellen in de materiaalkunde. “Om het energielandschap te berekenen om het inverse vouwprobleem van een bepaald eiwit op te lossen, hoeven we niet eens te weten hoe het eiwit eruit ziet. Ik hoef alleen maar de bouwstenen en de DNA-sequentie te kennen die dit eiwit definieert en de omstandigheden waarin het eiwit zich bevindt. experiment wordt uitgevoerd. Als je een bepaald soort eiwit wilt met een bepaald energielandschap, kunnen we dat eiwit ook op aanvraag ontwerpen. Agentische modellen kunnen dit doen omdat ze het vermogen hebben om verschillende modellen, voorspellingen en gegevens te combineren. Dit kan worden gebruikt om complexe nieuwe eiwitten te synthetiseren die in de natuur niet voorkomen. We kunnen eiwitten uitvinden die supersterke vezels hebben ter vervanging van plastic, of beter kunstmatig voedsel creëren, of nieuwe batterijen. We kunnen de gereedschapskist van de natuur gebruiken om verder te gaan dan wat de natuur te bieden heeft, en veel verder te gaan dan de evolutionaire principes. We kunnen bijvoorbeeld materialen voor bepaalde doeleinden ontwerpen, zoals een materiaal dat zeer rekbaar is of bepaalde optische eigenschappen heeft, of materialen waarvan de eigenschappen veranderen op basis van externe signalen. De modellen die nu ontstaan, zijn niet alleen in staat deze problemen op te lossen, maar bieden ook de mogelijkheid om ons uit te leggen hoe deze problemen worden opgelost. Ze kunnen ook verduidelijken waarom bepaalde strategieën werken en andere niet. Ze kunnen nieuw onderzoek voorspellen, bijvoorbeeld door een model te vragen om tot in detail te voorspellen hoe een bepaald materiaal zich zal gedragen, en we kunnen dit valideren met onderzoeksstudies in laboratoria of met natuurkundige simulaties. Dit is verbijsterend en klinkt futuristisch, maar het gebeurt vandaag de dag.”

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/