Cercetătorii chinezi sunt pe punctul de a crea „adevărați oameni de știință AI”

Cercetătorii chinezi sunt în pragul unei abordări inovatoare pentru dezvoltarea „oamenilor de știință din inteligența artificială (AI)” capabili să efectueze experimente și să rezolve probleme științifice. Progresele recente în modelele de învățare profundă au revoluționat cercetarea științifică, dar modelele actuale încă se luptă să imite cu exactitate interacțiunile fizice din lumea reală.

Cu toate acestea, o echipă de cercetători de la Universitatea din Peking și de la Institutul Oriental de Tehnologie (EIT) din China a dezvoltat un nou cadru pentru formarea modelelor de învățare automată bazate pe cunoștințe anterioare, cum ar fi legile fizicii sau logica matematică, alături de date.

South China Morning Post relatează că o astfel de abordare ar putea duce la crearea de „adevărați oameni de știință cu inteligență artificială” care pot îmbunătăți experimentele și pot rezolva probleme științifice. Modelele de învățare profundă au influențat semnificativ cercetarea științifică, dezvăluind relații în seturi mari de date. În ciuda acestor progrese, modelele actuale, cum ar fi Sora de la OpenAI, se confruntă cu limitări în a simula cu acuratețe anumite interacțiuni fizice în lumea reală.

De exemplu, Sora, un model text-to-video, a câștigat o mare popularitate datorită reprezentării sale îmbunătățite și realiste a obiectelor. Cu toate acestea, nu poate modela cu exactitate interacțiunile de bază, de exemplu, direcția în care se mișcă flacăra lumânărilor de pe tortul de sărbători.

Cercetătorii sugerează încorporarea „cunoștințelor anterioare”, cum ar fi legile fizicii sau logica matematică, împreună cu date pentru a antrena modele de învățare automată mai precise.

Încorporarea cunoștințelor umane în modelele AI poate crește eficacitatea și capacitatea lor de predicție. Pentru a rezolva această problemă, echipa a dezvoltat un cadru pentru evaluarea valorii cunoștințelor anterioare și determinarea impactului acestora asupra acurateței modelului. Cadrul lor își propune să evalueze valoarea cunoștințelor folosind reguli derivate, luând în considerare factori precum volumul de date și intervalul de evaluare. Prin efectuarea de experimente cantitative, cercetătorii caută să elucideze relația complexă dintre date și cunoștințele anterioare, inclusiv efectele de dependență, sinergie și substituție.

Acest sistem de model-diagnostic poate fi aplicat la diferite arhitecturi de rețea, oferind o înțelegere cuprinzătoare a rolului cunoștințelor anterioare în modelele de învățare profundă.

Cercetătorii și-au testat cadrul pe modele pentru rezolvarea ecuațiilor multidimensionale și pentru prezicerea rezultatelor experimentelor chimice. Ei au descoperit că încorporarea cunoștințelor anterioare a îmbunătățit semnificativ performanța acestor modele, în special în domeniile științifice în care consecvența cu legile fizice este esențială pentru evitarea rezultatelor potențial catastrofale. Pe termen lung, echipa își propune să dezvolte modele AI care pot identifica și aplica în mod independent cunoștințele relevante fără intervenția umană.

Cu toate acestea, ei recunosc că, pe măsură ce cantitatea de date din model crește, pot apărea probleme precum dominația regulilor generale asupra regulilor locale specifice, în special în domenii precum biologia și chimia, unde regulile generale pot lipsi.

Citeste si:

•  Vehiculul blindat Cockerill iX a primit AI pentru o luptă eficientă împotriva dronelor
• Ce este AMD XDNA? Arhitectura care alimentează AI pe procesoarele Ryzen