Kinesiske forskere på nippet til å skape «ekte AI-forskere»

Kinesiske forskere er på randen av en banebrytende tilnærming til å utvikle «kunstig intelligens (AI)-forskere» som er i stand til å utføre eksperimenter og løse vitenskapelige problemer. Nylige fremskritt innen dyplæringsmodeller har revolusjonert vitenskapelig forskning, men nåværende modeller sliter fortsatt med å nøyaktig etterligne fysiske interaksjoner i den virkelige verden.

Imidlertid har et team av forskere fra Peking University og Oriental Institute of Technology (EIT) i Kina utviklet et nytt rammeverk for trening av maskinlæringsmodeller basert på forkunnskaper, som fysikklover eller matematisk logikk, ved siden av data.

Sør-Kina Morning Post rapporterer at en slik tilnærming kan føre til opprettelsen av "ekte forskere med kunstig intelligens" som kan forbedre eksperimenter og løse vitenskapelige problemer. Dyplæringsmodeller har betydelig påvirket vitenskapelig forskning ved å avsløre sammenhenger i store datasett. Til tross for disse fremskrittene, møter nåværende modeller som OpenAIs Sora begrensninger i nøyaktig simulering av visse fysiske interaksjoner i den virkelige verden.

For eksempel har Sora, en tekst-til-video-modell, fått stor popularitet på grunn av sin forbedrede, realistiske representasjon av objekter. Den kan imidlertid ikke nøyaktig modellere grunnleggende interaksjoner, for eksempel retningen som flammen til lysene på feriekaken beveger seg i.

Forskere foreslår å inkludere «forkunnskap», for eksempel fysikklover eller matematisk logikk, sammen med data for å trene mer nøyaktige maskinlæringsmodeller.

Å bygge inn menneskelig kunnskap i AI-modeller kan øke deres effektivitet og prediksjonsevne. For å løse dette problemet utviklet teamet et rammeverk for å evaluere verdien av forkunnskaper og bestemme dens innvirkning på modellens nøyaktighet. Rammeverket deres tar sikte på å evaluere verdien av kunnskap ved å bruke avledede regler, og tar hensyn til faktorer som datavolum og evalueringsområde. Ved å utføre kvantitative eksperimenter søker forskere å belyse det komplekse forholdet mellom data og forkunnskap, inkludert avhengighet, synergi og substitusjonseffekter.

Dette modelldiagnostiske systemet kan brukes på ulike nettverksarkitekturer, og gir en omfattende forståelse av rollen til forkunnskaper i dyplæringsmodeller.

Forskerne testet rammeverket sitt på modeller for å løse flerdimensjonale ligninger og forutsi resultatene av kjemiske eksperimenter. De fant at inkorporering av forkunnskaper i stor grad forbedret ytelsen til disse modellene, spesielt innen vitenskapelige felt der samsvar med fysiske lover er avgjørende for å unngå potensielt katastrofale utfall. På lang sikt har teamet som mål å utvikle AI-modeller som uavhengig kan identifisere og anvende relevant kunnskap uten menneskelig innblanding.

De erkjenner imidlertid at etter hvert som datamengden i modellen øker, kan det oppstå problemer som dominansen av generelle regler over spesifikke lokale regler, spesielt innenfor felt som biologi og kjemi, hvor generelle regler kan mangle.

Les også:

•  Cockerill iX pansrede kjøretøy mottok AI for effektiv kamp mot droner
• Hva er AMD XDNA? Arkitekturen som driver AI på Ryzen-prosessorer