Logo Zephyrnet

Trí thông minh dữ liệu tạo

Quantum

Tóm tắt những lời hứa và cạm bẫy - Phần thứ hai » Blog CCC

Được xuất bản lại bởi Plato
Được xuất bản lại bởi Plato

Ngày:

Lượt xem: 43

CCC đã hỗ trợ ba phiên khoa học tại Hội nghị thường niên AAAS năm nay và trong trường hợp bạn không thể tham dự trực tiếp, chúng tôi sẽ tóm tắt lại từng phiên. Tuần này, chúng tôi sẽ tóm tắt những điểm nổi bật của phiên họp, “AI sáng tạo trong khoa học: Lời hứa và cạm bẫy.” Trong Phần thứ hai, chúng tôi sẽ tóm tắt bài trình bày của Tiến sĩ Markus Buehler về AI sáng tạo trong Cơ chế sinh học.

Tiến sĩ Markus Buehler bắt đầu bài thuyết trình của mình bằng cách đề cập đến cách áp dụng các mô hình tổng quát trong nghiên cứu khoa học vật liệu. Trong lịch sử khoa học vật liệu, các nhà nghiên cứu sẽ thu thập dữ liệu hoặc phát triển các phương trình để mô tả cách thức hoạt động của vật liệu và giải chúng bằng bút và giấy. Sự xuất hiện của máy tính cho phép các nhà nghiên cứu giải các phương trình này nhanh hơn nhiều và xử lý các hệ thống rất phức tạp, chẳng hạn như sử dụng cơ học thống kê. Tuy nhiên, đối với một số vấn đề, sức mạnh tính toán truyền thống là không đủ. Ví dụ: hình ảnh bên dưới mô tả số lượng cấu hình có thể có của một protein nhỏ (20 ^100  hoặc 1.27×10^130 thiết kế). Số lượng cấu hình có thể có này lớn hơn số lượng nguyên tử trong vũ trụ quan sát được (10^80 nguyên tử) khiến vấn đề này trở nên khó giải quyết đối với ngay cả những siêu máy tính lớn nhất. 

Trước các mô hình tổng quát, các phương trình và thuật toán do các nhà khoa học tạo ra bị giới hạn bởi một đặc điểm nhất định được tất cả các nhà nghiên cứu chia sẻ kể từ đầu: loài người. “Generative AI cho phép chúng ta vượt xa trí tưởng tượng của con người để chúng ta có thể phát minh và khám phá những thứ mà cho đến nay chúng ta không thể làm được, vì chúng ta không đủ thông minh hoặc vì chúng ta không có khả năng truy cập vào mọi điểm dữ liệu. đồng thời,” Tiến sĩ Buehler nói. “Generative AI có thể được sử dụng để xác định các phương trình và thuật toán mới, đồng thời có thể giải các phương trình này cho chúng ta. Hơn nữa, các mô hình tổng quát cũng có thể giải thích cho chúng ta cách họ phát triển và giải các phương trình này, mà ở mức độ phức tạp cao, là điều hoàn toàn cần thiết để các nhà nghiên cứu hiểu được 'quá trình suy nghĩ' của mô hình.” Một khía cạnh quan trọng trong cách thức hoạt động của các mô hình này là chuyển thông tin (ví dụ: kết quả đo lường) thành kiến ​​thức bằng cách học cách biểu diễn biểu đồ của nó.  

Nguồn: MJ Buehler, Tăng tốc khám phá khoa học bằng cách khai thác kiến ​​thức sáng tạo, biểu diễn dựa trên đồ thị và lập luận đồ thị thông minh đa phương thức, arXiv, 2024

Hình dưới đây cho thấy một thiết kế vật liệu mới, hỗn hợp dựa trên sợi nấm phân cấp, được xây dựng từ AI tổng hợp và có sự kết hợp chưa từng thấy giữa sợi nấm rhizomorphs, collagen, chất độn khoáng, chức năng bề mặt và sự tương tác phức tạp giữa độ xốp và vật liệu. 

Nguồn: MJ Buehler, Tăng tốc khám phá khoa học bằng cách khai thác kiến ​​thức sáng tạo, biểu diễn dựa trên đồ thị và suy luận đồ thị thông minh đa phương thức, arXiv, 2024. Bên trái: Mycrlium composite. Phải: Thiết kế protein. 

Hơn nữa, AI có thể tạo ra có thể giúp chúng ta hình dung các hệ thống phức tạp. Thay vì mô tả các tương tác giữa các nguyên tử, AI có thể biểu diễn các tương tác này dưới dạng biểu đồ, mô tả một cách cơ học cách vật liệu hoạt động, hoạt động và tương tác ở các quy mô khác nhau. Những công cụ này rất mạnh mẽ, nhưng nếu đứng một mình, chúng không đủ mạnh để giải quyết độ phức tạp cao của những vấn đề này. Để giải quyết vấn đề này, chúng ta có thể kết hợp nhiều mô hình, chẳng hạn như một mô hình có thể thực hiện mô phỏng vật lý và một mô hình khác có thể dự đoán lực và ứng suất cũng như cách thiết kế protein. Khi các mô hình này giao tiếp với nhau, chúng trở thành các mô hình tác nhân, trong đó mỗi mô hình riêng lẻ là một tác nhân với một mục đích cụ thể. Đầu ra của mỗi mô hình được truyền đạt đến các mô hình khác và được xem xét trong đánh giá tổng thể về đầu ra của các mô hình. Các mô hình tác nhân có thể chạy mô phỏng trên dữ liệu hiện có và tạo ra dữ liệu mới. Vì vậy, đối với các khu vực có dữ liệu hạn chế hoặc không có dữ liệu, các nhà nghiên cứu có thể sử dụng các mô hình vật lý để tạo dữ liệu nhằm chạy mô phỏng. Tiến sĩ Buehler cho biết: “Loại mô hình này là một trong những lĩnh vực phát triển trong tương lai của các mô hình sáng tạo”. Những loại mô hình này có thể giải quyết các vấn đề trước đây được coi là khó giải quyết trên siêu máy tính và một số mô hình này thậm chí có thể chạy trên máy tính xách tay tiêu chuẩn.

Một trong những thách thức chính trong việc thiết kế các mô hình AI tổng hợp lấy cảm hứng từ vật lý mà các nhà nghiên cứu vẫn đang giải quyết là làm thế nào để xây dựng các mô hình một cách tinh tế và làm thế nào để làm cho chúng giống với bộ não hoặc hệ thống sinh học của con người hơn. Hệ thống sinh học có khả năng thay đổi hành vi của chúng, chẳng hạn như khi bạn cắt vào da, vết cắt sẽ lành lại theo thời gian. Các mô hình có thể được xây dựng để hoạt động tương tự. Thay vì huấn luyện một mô hình để luôn chữa lành vết cắt, chúng tôi có thể huấn luyện chúng có khả năng tập hợp lại để hành động linh hoạt – theo một nghĩa nào đó, chúng tôi huấn luyện các mô hình trước tiên phải suy nghĩ về câu hỏi được đặt ra và cách chúng có thể cấu hình lại 'bản thân' để giải quyết tốt nhất một nhiệm vụ nhất định. Điều này có thể được sử dụng để đưa ra dự đoán định lượng (ví dụ: giải quyết một nhiệm vụ rất phức tạp để dự đoán bối cảnh năng lượng của protein), đưa ra dự đoán định tính và lý giải về kết quả, đồng thời tích hợp chuyên môn và kỹ năng khác nhau khi phát triển câu trả lời cho các nhiệm vụ phức tạp. Điều quan trọng là các mô hình cũng có thể giải thích cho chúng ta cách chúng đi đến giải pháp, cách một hệ thống cụ thể hoạt động và các chi tiết khác mà nhà khoa học con người có thể quan tâm. Sau đó, chúng tôi có thể chạy thử nghiệm để dự đoán và xác minh kết quả của những mô phỏng này cho những trường hợp có ý tưởng hứa hẹn nhất, chẳng hạn như đối với các ứng dụng thiết kế vật liệu.

Tiến sĩ Buehler sau đó đã nói về những ứng dụng cụ thể của những mô hình sinh sản này trong khoa học vật liệu. “Để tính toán bối cảnh năng lượng nhằm giải quyết vấn đề gấp cuộn nghịch đảo của một loại protein nhất định, chúng ta thậm chí không cần biết protein đó trông như thế nào, tôi chỉ cần biết các khối xây dựng và trình tự DNA xác định loại protein này cũng như các điều kiện của nó. thí nghiệm được tiến hành. Nếu bạn muốn một loại protein cụ thể có bối cảnh năng lượng nhất định, chúng tôi cũng có thể thiết kế loại protein đó theo yêu cầu. Các mô hình tác nhân có thể làm được điều này vì chúng có khả năng kết hợp các mô hình, dự đoán và dữ liệu khác nhau. Điều này có thể được sử dụng để tổng hợp các protein mới phức tạp không tồn tại trong tự nhiên. Chúng ta có thể phát minh ra các protein có sợi siêu bền để thay thế nhựa, hoặc tạo ra thực phẩm nhân tạo tốt hơn hoặc pin mới. Chúng ta có thể sử dụng hộp công cụ của tự nhiên để mở rộng những gì thiên nhiên ban tặng và vượt xa các nguyên tắc tiến hóa. Ví dụ: chúng ta có thể thiết kế vật liệu cho các mục đích nhất định, chẳng hạn như vật liệu có độ đàn hồi cao hoặc có các đặc tính quang học nhất định hoặc vật liệu thay đổi đặc tính của chúng dựa trên các tín hiệu bên ngoài. Các mô hình đang nổi hiện nay không chỉ có khả năng giải quyết những vấn đề này mà còn cung cấp khả năng giải thích cho chúng ta cách giải quyết những vấn đề này. Họ cũng có thể làm sáng tỏ lý do tại sao một số chiến lược nhất định có hiệu quả còn những chiến lược khác thì không. Họ có thể dự đoán nghiên cứu mới, chẳng hạn như yêu cầu một mô hình dự đoán cách thức hoạt động của một vật liệu nhất định và chúng ta có thể xác nhận điều này bằng các nghiên cứu trong phòng thí nghiệm hoặc bằng mô phỏng vật lý. Điều này thật đáng kinh ngạc và nghe có vẻ tương lai, nhưng nó thực sự đang xảy ra ngày nay.”

tại chỗ_img

Tin tức mới nhất

tại chỗ_img

Bản quyền @ 2024 Plato Technologies Inc.