Муза с изкуствен разум: Как изкуственият интелект помага за откриването на нови научни теории
Алгоритмите правят открития и подсказват на учените къде да търсят отговори на глобалните въпроси.
Електрическите автомобили имат потенциала да намалят значително въглеродния отпечатък, но производителите на автомобили изчерпват материалите за батерии. Още в края на тази година се прогнозира ограничаване на доставките на никел – един от най-важните компоненти. В тази ситуация четири нови материала, открити наскоро от учени, могат потенциално да помогнат. Интригата обаче се крие в това, как те са открити. За да изберат полезни химически съединения от повече от 300 различни варианта, учените са използвали изкуствен интелект. И това не е първият път, когато хората се обръщат към ИИ за научно вдъхновение.
Създаването на хипотези винаги е било чисто човешка привилегия. Сега обаче учените започват да използват машинното обучение при търсенето на оригинални идеи. Те разработват изкуствени невронни мрежи (вид машинно обучение със структура, подобна на човешкия мозък), които създават нови хипотези въз основа на закономерности, открити от мрежата при анализ на данни, а не въз основа на човешки предположения. Скоро много индустрии може да се обърнат към „музата“ на машинното обучение, за да ускорят научния процес и да го освободят от човешките предубедености.
Когато решават проблема с намирането на нови материали за акумулаторните батерии, учените обикновено разчитат на анализ на бази данни, моделиране и собствена интуиция. Вместо това екип от университета в Ливърпул в Англия е използвал машинно обучение, за да опрости процеса на създаването им. Изследователите са разработили невронна мрежа, която е класирала химическите съединения според вероятността за получаване на нов полезен материал. Тези оценки са били използвани за провеждане на лабораторни експерименти. По този начин учените са идентифицирали четири обещаващи съединения, които могат да се използват в акумулаторните батерии, без да тестват целия списък с опции, което е спестило месеци опити и грешки.
„Това е страхотен инструмент“, казва Андрей Василенко, изследовател от Университета в Ливърпул и съавтор на изследването за търсене на подходящи материали за батерии, публикувано в Nature Communications през септември.
Изкуственият интелект помага да се идентифицират химически съединения, които си струва да се разгледат, така че „да можем бързо да покрием възможно най-много от химическото пространство“, добавя той.
Откриването на нови материали не е единствената област, в която машинното обучение може да допринесе за науката. Изследователите също така използват невронни мрежи за решаване на по-мащабни технически и теоретични въпроси. Ренато Ренер, физик от Института по теоретична физика към Висшето техническо училище в Цюрих, се надява един ден да използва машинното обучение, за създаването на единна теория на Вселената. Но преди ИИ да може да разкрие истинската природа на реалността, изследователите трябва да отговорят на един сложен за тях въпрос: как невронните мрежи намират своите решения.
Проникване в “ума” на машинното обучение
През последното десетилетие машинното обучение се превърна в изключително популярен инструмент за систематизиране на големи количества данни и за прогнозиране. Въпреки това, обясняването на логиката на ИИ може да е прекалено сложно. Невронните мрежи са изградени от взаимосвързани възли, създадени на принципа на невроните в мозъка и имат структура, която се променя, когато информацията преминава през нея. Когато този адаптивен модел решава сложни проблеми, често е невъзможно хората да дешифрират последователността на решението.
Тази липса на прозрачност е наречена “проблемът на черната кутия”, защото никой не може да погледне вътре в мрежата, за да обясни нейния “мисловен” процес. Непрозрачността не само подкопава доверието в резултатите, но също така ограничава използването на невронни мрежи за създаване на научна картина на света.
Някои учени се стремят да отворят тази черна кутия чрез разработването на “методи за интерпретирането”, които се опитват да предложат стъпка по стъпка обяснение за това как мрежата получава своите отговори. Голяма е вероятността да не е възможно да се детайлизират най-подробно сложните модели на машинно обучение. Но изследователите често могат да идентифицират по-общите тенденции в начина, по който мрежата обработва данните. Понякога това води до неочаквани открития. Така е било установено, с какво е свързан повишения риск от заболяване от рак.
Преди няколко години Анант Мадабхуси, професор по биомедицина в университета Case Western Reserve в Кливланд, е използвал методи за интерпретиране, за да разбере защо е по-вероятно някои пациенти да имат рецидивиращ рак на гърдата или простатата, отколкото други. Той е качил резултати от сканирания на пациенти в невронна мрежа, която е идентифицирала пациентите с по-висок риск. След това Мадабхуси е анализирал алгоритмите на мрежата, за да открие най-важната характеристика за определяне на вероятността от рецидив на рак. Резултатите показали, че факторът, който най-точно предсказва възобновяването на туморния растеж, е плътността на структурата на жлезите.
„До този момент това не беше хипотеза и ние не го знаехме“, казва Мадабхуси. – Ние използвахме методология за идентифициране на важен симптом на заболяването.”
Едва след като ИИ е дал своето „заключение“, екипът от учени е установил, че резултатът е в съответствие със съвременните научни данни за патологията. Невронната мрежа все още не може да обясни защо плътността на структурата на жлезите допринася за развитието на рак, но е помогнала на Мадабхуси и колегите му да разберат по-добре как протича туморният процес, показвайки нови насоки за изследвания.
Когато ИИ се оказва в задънена улица
Въпреки че опитите да се надникне в черната кутия може да помогне на учените в създаването на нови научни хипотези, учените все още имат да извървят дълъг път, смята Сумик Саркар, доцент по машинно инженерство в Университета на Айова. Методите за интерпретиране могат да подскажат корелации, които възникват при машинното обучение, но те не успяват да докажат причинно-следствената връзка или да предложат обяснения. За извличането на смисъл от мрежата все още изискват експерти по дадената тема.
Освен това машинното обучение често използва данни, обработени от човека, което може да доведе до клониране на човешки предразсъдъци. Например, невронната мрежа, наречена COMPAS (Correctional Offender Management Profiling for Alternative Sanctions), която прогнозира вероятността от повторно престъпление сред бивши престъпници, е била обвинена в расизъм. Разследване на ProPublica е установило, че в един от окръзите на Флорида системата погрешно е прогнозирала, че вероятността от рецидив при освободените чернокожи престъпници е почти два пъти по-висока, отколкото при белите. Компанията Equivant (бивш Northpointe), която разработва софтуер за кораби и е създала COMPAS, е оспорила анализа на ProPublica, заявявайки, че програмата за оценка на риска е била неправилно характеризирана.
Въпреки тези предизвикателства, Ренер, физикът от Цюрих, както преди се надява, че машинното обучение ще помогне на хората да придобият знания, които са по-свободни от човешки предразсъдъци. По неговите думи невронните мрежи могат да вдъхновят хората да се замислят над стари проблеми по нов начин. И докато мрежите все още не са в състояние да поставят хипотези сами, те могат да подтикнат учените да погледнат по различен начин на даден проблем.
Ренър се опитва да създаде невронна мрежа, която да може да изследва истинската природа на космоса. Повече от век физиците не успяват да съгласуват две основни концепции за Вселената – квантовата теория и общата теория на относителността на Айнщайн. Но Ренър се надява, че машинното обучение ще му даде нова визия, която ще обедини научното разбиране за това как работи материята в микро и макро мащаби.
„Можем да се предвижим далеч във физиката, само ако гледаме на нещата нестандартно“, казва той.
Сега Ренър създава мрежа, базирана на теориите от миналото, влагайки в нея представите на хората за структурата на Вселената. През близките няколко години той ще поиска от мрежата нейния собствен отговор на този основен въпрос.
