Kinesiska forskare på väg att skapa "riktiga AI-forskare"

Kinesiska forskare står på gränsen till ett banbrytande tillvägagångssätt för att utveckla "artificiell intelligens (AI)-forskare" som kan utföra experiment och lösa vetenskapliga problem. De senaste framstegen inom modeller för djupinlärning har revolutionerat den vetenskapliga forskningen, men nuvarande modeller kämpar fortfarande för att exakt efterlikna fysiska interaktioner i den verkliga världen.

Däremot har ett team av forskare från Peking University och Oriental Institute of Technology (EIT) i Kina utvecklat ett nytt ramverk för att träna maskininlärningsmodeller baserat på förkunskaper, såsom fysiklagar eller matematisk logik, vid sidan av data.

South China Morning Post rapporterar att ett sådant tillvägagångssätt skulle kunna leda till skapandet av "riktiga vetenskapsmän med artificiell intelligens" som kan förbättra experiment och lösa vetenskapliga problem. Modeller för djupinlärning har avsevärt påverkat vetenskaplig forskning genom att avslöja samband i stora datamängder. Trots dessa framsteg möter nuvarande modeller som OpenAI:s Sora begränsningar när det gäller att exakt simulera vissa fysiska interaktioner i den verkliga världen.

Till exempel har Sora, en text-till-video-modell, vunnit stor popularitet på grund av sin förbättrade, realistiska representation av objekt. Den kan dock inte exakt modellera grundläggande interaktioner, till exempel i vilken riktning ljusslågan på semesterkakan rör sig.

Forskare föreslår att man införlivar "förkunskaper", såsom fysiklagar eller matematisk logik, tillsammans med data för att träna mer exakta maskininlärningsmodeller.

Att bädda in mänsklig kunskap i AI-modeller kan öka deras effektivitet och prediktionsförmåga. För att lösa detta problem utvecklade teamet ett ramverk för att utvärdera värdet av förkunskaper och bestämma dess inverkan på modellens noggrannhet. Deras ramverk syftar till att utvärdera värdet av kunskap med hjälp av härledda regler, med hänsyn till faktorer som datavolym och utvärderingsintervall. Genom att utföra kvantitativa experiment försöker forskare belysa det komplexa förhållandet mellan data och förkunskaper, inklusive beroende, synergi och substitutionseffekter.

Detta modelldiagnostiska system kan appliceras på olika nätverksarkitekturer, vilket ger en omfattande förståelse av förkunskapernas roll i modeller för djupinlärning.

Forskarna testade sitt ramverk på modeller för att lösa flerdimensionella ekvationer och förutsäga resultaten av kemiska experiment. De fann att införandet av förkunskaper avsevärt förbättrade prestandan för dessa modeller, särskilt inom vetenskapliga områden där överensstämmelse med fysiska lagar är avgörande för att undvika potentiellt katastrofala utfall. På lång sikt siktar teamet på att utveckla AI-modeller som självständigt kan identifiera och tillämpa relevant kunskap utan mänsklig inblandning.

De erkänner dock att när mängden data i modellen ökar kan problem som dominansen av allmänna regler över specifika lokala regler uppstå, särskilt inom områden som biologi och kemi, där generella regler kan saknas.

Läs också:

•  Cockerill iX pansarfordon fick AI för effektiv strid mot drönare
• Vad är AMD XDNA? Arkitekturen som driver AI på Ryzen-processorer