CCC, bu yılki AAAS Yıllık Konferansında üç bilimsel oturumu destekledi ve şahsen katılamamanız durumunda, her oturumun özetini vereceğiz. Bu hafta oturumun öne çıkan başlıklarını özetleyeceğiz, “Bilimde Üretken Yapay Zeka: Vaatler ve Tuzaklar.” İkinci Bölüm'de Dr. Markus Buehler'in Mekanobiyolojide Üretken Yapay Zeka hakkındaki sunumunu özetleyeceğiz.

Dr. Markus Buehler sunumuna üretken modellerin malzeme bilimi çalışmalarında nasıl uygulanabileceğini ele alarak başladı. Tarihsel olarak malzeme biliminde araştırmacılar, malzemelerin nasıl davrandığını tanımlamak için veri toplar veya denklemler geliştirir ve bunları kalem ve kağıtla çözerdi. Bilgisayarların ortaya çıkışı, araştırmacıların bu denklemleri çok daha hızlı çözmelerine ve çok karmaşık sistemleri (örneğin istatistiksel mekanik kullanarak) ele almalarına olanak sağladı. Ancak bazı problemler için geleneksel bilgi işlem gücü yeterli değildir. Örneğin, aşağıdaki görüntü tek bir küçük proteinin olası konfigürasyonlarının sayısını göstermektedir (20 ^100  veya 1.27×10^130 tasarımlar). Olası konfigürasyonların bu miktarı, gözlemlenebilir evrendeki atom sayısından daha fazladır (10^80 atomlar) bu sorunu en büyük süper bilgisayarlar için bile içinden çıkılamaz hale getiriyor. 

Üretken modellerden önce, bilim adamlarının oluşturduğu denklemler ve algoritmalar, zamanın başlangıcından bu yana tüm araştırmacıların paylaştığı belirli bir özellik ile sınırlıydı: insanlık. “Üretken yapay zeka, insanın hayal gücünün ötesine geçmemize olanak tanıyor; böylece ya yeterince akıllı olmadığımız ya da her veri noktasına erişim kapasitesine sahip olmadığımız için şimdiye kadar yapamadığımız şeyleri icat edip keşfedebiliyoruz. aynı zamanda” diyor Dr. Buehler. "Üretken yapay zeka, yeni denklemleri ve algoritmaları tanımlamak için kullanılabilir ve bu denklemleri bizim için çözebilir. Üstelik üretken modeller bize bu denklemleri nasıl geliştirip çözdüklerini de açıklayabilir ki bu, yüksek karmaşıklık düzeylerinde araştırmacıların modellerin 'düşünce süreçlerini' anlaması için kesinlikle gereklidir.” Bu modellerin nasıl çalıştığının önemli bir yönü, bilginin (örneğin, ölçüm sonuçlarının) grafik temsilini öğrenerek bilgiye dönüştürülmesidir.  

Kaynak: MJ Buehler, Üretken Bilgi Çıkarma, Grafik Tabanlı Gösterim ve Çok Modlu Akıllı Grafik Akıl Yürütme ile Bilimsel Keşfi Hızlandırma, arXiv, 2024

Aşağıdaki şekil, üretken yapay zekadan oluşturulmuş ve miselyum rizomorfları, kolajen, mineral dolgu, yüzey işlevselleştirme ve gözeneklilik ile malzemenin karmaşık etkileşiminin daha önce hiç görülmemiş bir kombinasyonunu içeren, hiyerarşik miselyum bazlı bir kompozit olan yeni bir malzeme tasarımını göstermektedir. 

Kaynak: MJ Buehler, Üretken Bilgi Çıkarma, Grafik Tabanlı Temsil ve Çok Modlu Akıllı Grafik Akıl Yürütme ile Bilimsel Keşfi Hızlandırma, arXiv, 2024. Sol: Mycrlium kompozit. Sağda: Protein tasarımı. 

Ayrıca üretken yapay zeka, karmaşık sistemleri görselleştirmemize yardımcı olabilir. AI, atomlar arasındaki etkileşimleri tanımlamak yerine, bu etkileşimleri, malzemelerin nasıl çalıştığını, davrandığını ve farklı ölçeklerde nasıl etkileşime girdiğini mekanik olarak açıklayan grafiklerde temsil edebilir. Bu araçlar güçlüdür ancak tek başına bu sorunların yüksek karmaşıklığını çözecek kadar güçlü değildirler. Bunu çözmek için, fizik simülasyonları yapabilen bir model ve kuvvetleri, stresleri ve proteinlerin nasıl tasarlanacağını tahmin edebilen bir model gibi birçok modeli birleştirebiliriz. Bu modeller iletişim kurduğunda, her bir modelin belirli bir amacı olan bir aracı olduğu aracı modeller haline gelirler. Her modelin çıktısı diğer modellere iletilir ve model çıktılarının genel değerlendirmesinde dikkate alınır. Ajanic modeller mevcut veriler üzerinde simülasyonlar çalıştırabilir ve yeni veriler üretebilir. Dolayısıyla, sınırlı veya sıfır veriye sahip alanlar için araştırmacılar, simülasyonları çalıştıracak verileri oluşturmak için fizik modellerini kullanabilirler. Dr. Buehler, "Bu tür modelleme, üretken modellerin gelecekteki büyüme alanlarından biridir" diyor. Bu tür modeller, daha önce süper bilgisayarlarda çözülmesi zor olduğu düşünülen sorunları çözebilir ve hatta bu modellerden bazıları standart bir dizüstü bilgisayarda bile çalışabilir.

Araştırmacıların hâlâ üzerinde çalıştığı, fizikten ilham alan bu tür üretken yapay zeka modellerini tasarlamanın ana zorluklarından biri, modellerin nasıl zarif bir şekilde oluşturulacağı ve bunların insan beynine veya biyolojik sistemlere nasıl daha benzer hale getirileceğidir. Biyolojik sistemler davranışlarını değiştirme yeteneğine sahiptir; örneğin cildinizi kestiğinizde kesik zamanla iyileşir. Benzer şekilde hareket edecek modeller oluşturulabilir. Bir modeli her zaman bir kesiği iyileştirecek şekilde eğitmek yerine, onları dinamik bir şekilde hareket etmeleri için yeniden bir araya getirme becerisine sahip olacak şekilde eğitebiliriz - bir anlamda modelleri ilk önce sorulan soru hakkında düşünmeleri ve nasıl yeniden yapılandırabilecekleri konusunda eğitebiliriz. Belirli bir görevi en iyi şekilde çözmek için 'kendileri'. Bu, niceliksel tahminler yapmak (örneğin, bir proteinin enerji yapısını tahmin etmek için son derece karmaşık bir görevi çözmek), niteliksel tahminler yapmak ve sonuçlar üzerinde mantık yürütmek ve karmaşık görevlere yanıtlar geliştirilirken farklı uzmanlık ve becerileri entegre etmek için kullanılabilir. Daha da önemlisi, modeller bize çözüme nasıl ulaştıklarını, belirli bir sistemin nasıl çalıştığını ve insan bilim insanının ilgisini çekebilecek diğer ayrıntıları da açıklayabilir. Daha sonra, malzeme tasarımı uygulamaları gibi en umut verici fikirler olan durumlar için bu simülasyonların sonuçlarını tahmin etmek ve doğrulamak üzere deneyler yapabiliriz.

Dr. Buehler daha sonra bu üretken modellerin malzeme bilimindeki spesifik uygulamalarından bahsetti. "Belirli bir protein verildiğinde ters katlanma problemini çözecek enerji ortamını hesaplamak için, proteinin neye benzediğini bilmemize bile gerek yok; sadece bu proteini tanımlayan yapı taşlarını ve DNA dizisini ve bu proteinin oluştuğu koşulları bilmem gerekiyor. Belirli bir enerji ortamına sahip belirli bir tür protein istiyorsanız, talep üzerine o proteini de tasarlayabiliriz. Ajans modelleri bunu yapabilir çünkü farklı modelleri, tahminleri ve verileri birleştirme kapasitesine sahiptirler. Bu, doğada bulunmayan karmaşık yeni proteinleri sentezlemek için kullanılabilir. Plastiğin yerine geçecek süper güçlü liflere sahip proteinler icat edebilir veya daha iyi yapay gıdalar ya da yeni piller yaratabiliriz. Doğanın sunduğu şeylerin ötesine geçmek ve evrimsel ilkelerin çok ötesine geçmek için doğanın araç kutusunu kullanabiliriz. Örneğin, oldukça esnek veya belirli optik özelliklere sahip bir malzeme veya dış etkenlere göre özelliklerini değiştiren malzemeler gibi belirli amaçlara yönelik malzemeler tasarlayabiliriz. Artık ortaya çıkan modeller sadece bu sorunları çözmekle kalmıyor, aynı zamanda bu sorunların nasıl çözüldüğünü bize anlatabilme olanağı da sağlıyor. Ayrıca neden bazı stratejilerin işe yarayıp diğerlerinin işe yaramadığını da açıklayabilirler. Belirli bir malzemenin nasıl davranacağını ayrıntılı olarak tahmin etmek için bir model istemek gibi yeni araştırmaları tahmin edebilirler ve bunu laboratuvarlardaki araştırma çalışmaları veya fizik simülasyonları ile doğrulayabiliriz. Bu akıllara durgunluk verici ve fütüristik gibi görünüyor ama aslında bugün oluyor.”

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/