CCC je podprl tri znanstvene seje na letošnji letni konferenci AAAS in če se niste mogli udeležiti osebno, bomo povzeli vsako sejo. Ta teden bomo povzeli poudarke seje, “Generativna umetna inteligenca v znanosti: obljube in pasti.” V drugem delu bomo povzeli predstavitev dr. Markusa Buehlerja o Generativni AI v mehanobiologiji.
Dr. Markus Buehler je svojo predstavitev začel z naslavljanjem uporabe generativnih modelov pri študiju znanosti o materialih. Zgodovinsko gledano v znanosti o materialih so raziskovalci zbirali podatke ali razvijali enačbe, da bi opisali, kako se materiali obnašajo, in jih reševali s peresom in papirjem. Pojav računalnikov je raziskovalcem omogočil veliko hitrejše reševanje teh enačb in zdravljenje zelo zapletenih sistemov, na primer z uporabo statistične mehanike. Za nekatere težave pa tradicionalna računalniška moč ne zadošča. Spodnja slika na primer prikazuje število možnih konfiguracij enega samega majhnega proteina (20 ^100 ali 1.27×10^130 dizajni). To število možnih konfiguracij je večje od števila atomov v opazljivem vesolju (10^80 atomi), zaradi česar je ta problem nerešljiv celo za največje superračunalnike.
Pred generativnimi modeli so bile enačbe in algoritmi, ki so jih ustvarili znanstveniki, omejeni z določeno lastnostjo, ki je bila skupna vsem raziskovalcem od začetka časa: človeštvom. »Generativna umetna inteligenca nam omogoča, da presežemo človeško domišljijo, tako da lahko iznajdemo in odkrijemo stvari, ki jih doslej nismo mogli, bodisi zato, ker nismo dovolj pametni ali ker nimamo zmogljivosti za dostop do vsake podatkovne točke. hkrati,« pravi dr. Buehler. »Generativno umetno inteligenco lahko uporabimo za prepoznavanje novih enačb in algoritmov ter lahko reši te enačbe namesto nas. Poleg tega nam lahko generativni modeli tudi pojasnijo, kako so razvili in rešili te enačbe, kar je na visoki ravni kompleksnosti absolutno potrebno, da raziskovalci razumejo 'miselne procese' modelov.« Ključni vidik delovanja teh modelov je prevajanje informacij (npr. rezultatov meritev) v znanje z učenjem njihove grafične predstavitve.
Vir: MJ Buehler, Pospeševanje znanstvenih odkritij z generativnim pridobivanjem znanja, predstavitvijo na podlagi grafov in sklepanjem multimodalnih inteligentnih grafov, arXiv, 2024
Spodnja slika prikazuje novo zasnovo materiala, hierarhični kompozit na osnovi micelija, izdelan iz generativne umetne inteligence in vsebuje še nikoli videno kombinacijo rizomorfov micelija, kolagena, mineralnega polnila, površinske funkcionalizacije in kompleksnega medsebojnega delovanja poroznosti in materiala.
Vir: MJ Buehler, Pospeševanje znanstvenih odkritij z generativnim pridobivanjem znanja, predstavitvijo na podlagi grafov in sklepanjem multimodalnih inteligentnih grafov, arXiv, 2024. Levo: kompozit Mycrlium. Desno: zasnova beljakovin.
Poleg tega nam lahko generativna umetna inteligenca pomaga vizualizirati kompleksne sisteme. Namesto da bi opisoval interakcije med atomi, lahko umetna inteligenca te interakcije predstavi v grafih, ki mehanično opisujejo, kako materiali delujejo, se obnašajo in medsebojno delujejo na različnih ravneh. Ta orodja so močna, vendar sama po sebi niso dovolj močna, da bi rešila visoko kompleksnost teh problemov. Da bi to rešili, lahko združimo številne modele, kot je model, ki lahko izvaja fizikalne simulacije, in drugi, ki lahko napove sile in napetosti ter kako oblikovati proteine. Ko ti modeli komunicirajo, postanejo agentni modeli, kjer je vsak posamezen model agent z določenim namenom. Rezultat vsakega modela se sporoči drugim modelom in upošteva pri skupni oceni rezultatov modelov. Agentski modeli lahko izvajajo simulacije na obstoječih podatkih in ustvarjajo nove podatke. Za območja z omejenimi ali ničelnimi podatki lahko torej raziskovalci uporabijo fizikalne modele za ustvarjanje podatkov za izvajanje simulacij. "Ta vrsta modeliranja je eno od prihodnjih področij rasti generativnih modelov," pravi dr. Buehler. Te vrste modelov lahko rešujejo probleme, ki so prej veljali za nerešljive na superračunalnikih, nekateri od teh modelov pa lahko delujejo celo na standardnem prenosniku.
Eden glavnih izzivov pri oblikovanju takšnih s fiziko navdihnjenih generativnih modelov umetne inteligence, s katerimi se raziskovalci še vedno ukvarjajo, je, kako elegantno zgraditi modele in kako jih narediti bolj podobne človeškim možganom ali biološkim sistemom. Biološki sistemi lahko spremenijo svoje vedenje, na primer, ko si odrežete kožo, se bo ureznina čez čas zacelila. Modele je mogoče zgraditi tako, da delujejo podobno. Namesto da bi model usposabljali, da ves čas zaceli ureznino, jih lahko urimo, da jih lahko ponovno sestavijo, da delujejo dinamično – v nekem smislu modele urimo, da najprej razmislijo o zastavljenem vprašanju in o tem, kako bi jih morda lahko znova konfigurirali. 'sebi' najbolje rešiti določeno nalogo. To je mogoče uporabiti za izdelavo kvantitativnih napovedi (npr. reševanje zelo zapletene naloge za napovedovanje energijske pokrajine proteina), izdelavo kvalitativnih napovedi in razmišljanje o rezultatih ter vključitev različnih strokovnih znanj in veščin, ko se razvijajo odgovori na kompleksne naloge. Pomembno je, da nam modeli lahko tudi razložijo, kako so prišli do rešitve, kako določen sistem deluje in druge podrobnosti, ki bi lahko zanimale človeškega znanstvenika. Nato lahko izvajamo poskuse za napovedovanje in preverjanje rezultatov teh simulacij za primere, ki so najbolj obetavne ideje, na primer za aplikacije za oblikovanje materialov.
Dr. Buehler je nato govoril o posebnih aplikacijah teh generativnih modelov v znanosti o materialih. »Za izračun energijske krajine za rešitev inverznega problema zvijanja glede na določeno beljakovino sploh ne rabimo vedeti, kako beljakovina izgleda, vedeti moram le gradnike in zaporedje DNK, ki definira to beljakovino, in pogoje, Če želite določeno vrsto beljakovine z določeno energijsko pokrajino, lahko to beljakovino na zahtevo tudi oblikujemo. Agentski modeli lahko to storijo, ker imajo zmožnost kombiniranja različnih modelov, napovedi in podatkov. To je mogoče uporabiti za sintezo kompleksnih novih beljakovin, ki v naravi ne obstajajo. Lahko izumimo beljakovine, ki imajo super močna vlakna kot zamenjavo za plastiko, ali ustvarimo boljšo umetno hrano ali nove baterije. Naravni nabor orodij lahko uporabimo, da razširimo tisto, kar narava ponuja, in gremo daleč onkraj evolucijskih načel. Na primer, lahko oblikujemo materiale za določene namene, kot je material, ki je zelo raztegljiv ali ima določene optične lastnosti, ali materiale, ki spreminjajo svoje lastnosti na podlagi zunanjih znakov. Modeli, ki se zdaj pojavljajo, ne morejo samo rešiti teh problemov, temveč nudijo tudi zmožnost, da nam razložijo, kako se ti problemi rešujejo. Lahko tudi pojasnijo, zakaj določene strategije delujejo, druge pa ne. Predvidijo lahko nove raziskave, na primer zahtevajo od modela, da podrobno napove, kako se bo določen material obnašal, in to lahko potrdimo z raziskovalnimi študijami v laboratorijih ali s fizikalnimi simulacijami. To je osupljivo in zveni futuristično, a se dejansko dogaja danes.«
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/
