Kiinalaiset tutkijat ovat luomassa "oikeita tekoälytieteilijöitä"

Kiinalaiset tutkijat ovat uraauurtavan lähestymistavan kynnyksellä "keinoälyn (AI) tutkijoiden" kehittämiseen, jotka kykenevät suorittamaan kokeita ja ratkaisemaan tieteellisiä ongelmia. Viimeaikaiset edistysaskeleet syväoppimismalleissa ovat mullistaneet tieteellisen tutkimuksen, mutta nykyisten mallien on edelleen vaikea jäljitellä tarkasti todellista fyysistä vuorovaikutusta.

Pekingin yliopiston ja kiinalaisen Oriental Institute of Technologyn (EIT) tutkijaryhmä on kuitenkin kehittänyt uuden kehyksen koneoppimismallien koulutukseen, joka perustuu aiempiin tietoihin, kuten fysiikan lakeihin tai matemaattiseen logiikkaan, datan rinnalle.

Etelä-Kiinan aamu-viesti raportoi, että tällainen lähestymistapa voisi johtaa "oikeiden tekoälyn tutkijoiden" luomiseen, jotka voivat parantaa kokeita ja ratkaista tieteellisiä ongelmia. Syväoppimismallit ovat vaikuttaneet merkittävästi tieteelliseen tutkimukseen paljastamalla suhteita suurissa tietokokonaisuuksissa. Näistä edistysaskeleista huolimatta nykyisillä malleilla, kuten OpenAI:n Soralla, on rajoituksia simuloida tarkasti tiettyjä fyysisiä vuorovaikutuksia todellisessa maailmassa.

Esimerkiksi Sora, tekstistä videoksi -malli, on saavuttanut laajan suosion parantuneen ja realistisen esineiden esittämisen ansiosta. Se ei kuitenkaan pysty tarkasti mallintamaan perusvuorovaikutuksia, esimerkiksi sitä, mihin suuntaan juhlakakun kynttilöiden liekki liikkuu.

Tutkijat ehdottavat "aikaisemman tiedon", kuten fysiikan tai matemaattisen logiikan, sisällyttämistä tietoihin tarkempien koneoppimismallien kouluttamiseksi.

Ihmisen tiedon upottaminen tekoälymalleihin voi lisätä niiden tehokkuutta ja ennakointikykyä. Tämän ongelman ratkaisemiseksi tiimi kehitti viitekehyksen aiemman tiedon arvon arvioimiseksi ja sen vaikutuksen määrittämiseksi mallin tarkkuuteen. Niiden viitekehys pyrkii arvioimaan tiedon arvoa johdettujen sääntöjen avulla ottaen huomioon sellaiset tekijät kuin datamäärä ja arviointialue. Suorittamalla kvantitatiivisia kokeita tutkijat pyrkivät selvittämään datan ja aiemman tiedon välistä monimutkaista suhdetta, mukaan lukien riippuvuus-, synergia- ja korvausvaikutukset.

Tätä mallidiagnostiikkajärjestelmää voidaan soveltaa erilaisiin verkkoarkkitehtuureihin, jolloin saadaan kattava käsitys aiemman tiedon roolista syväoppimismalleissa.

Tutkijat testasivat viitekehystään malleilla moniulotteisten yhtälöiden ratkaisemiseksi ja kemiallisten kokeiden tulosten ennustamiseksi. He havaitsivat, että aiemman tiedon sisällyttäminen paransi huomattavasti näiden mallien suorituskykyä, erityisesti tieteen aloilla, joilla fysiikan lakien noudattaminen on ratkaisevan tärkeää mahdollisten katastrofaalisten seurausten välttämiseksi. Pitkällä aikavälillä tiimin tavoitteena on kehittää tekoälymalleja, jotka voivat itsenäisesti tunnistaa ja soveltaa relevanttia tietoa ilman ihmisen puuttumista.

He kuitenkin myöntävät, että mallin datamäärän kasvaessa voi syntyä ongelmia, kuten yleisten sääntöjen dominointi tiettyihin paikallisiin sääntöihin nähden, erityisesti biologian ja kemian aloilla, joilla yleiset säännöt saattavat puuttua.

Lue myös:

•  Cockerill iX -panssaroitu ajoneuvo sai tekoälyn tehokkaasta taistelusta droneja vastaan
• Mikä on AMD XDNA? Ryzen-prosessorien tekoälyä käyttävä arkkitehtuuri