Kinesiske forskere på nippet til at skabe "rigtige AI-forskere"

Kinesiske forskere er på randen af ​​en banebrydende tilgang til at udvikle "kunstig intelligens (AI) videnskabsmænd", der er i stand til at udføre eksperimenter og løse videnskabelige problemer. Nylige fremskridt inden for deep learning-modeller har revolutioneret videnskabelig forskning, men nuværende modeller kæmper stadig for præcist at efterligne fysiske interaktioner i den virkelige verden.

Et team af forskere fra Peking University og Oriental Institute of Technology (EIT) i Kina har dog udviklet en ny ramme til træning af maskinlæringsmodeller baseret på forudgående viden, såsom fysiklove eller matematisk logik, sammen med data.

South China Morning Post rapporterer, at en sådan tilgang kunne føre til skabelsen af ​​"rigtige videnskabsmænd med kunstig intelligens", som kan forbedre eksperimenter og løse videnskabelige problemer. Deep learning-modeller har væsentligt påvirket videnskabelig forskning ved at afsløre sammenhænge i store datasæt. På trods af disse fremskridt står nuværende modeller som OpenAI's Sora over for begrænsninger i nøjagtigt at simulere visse fysiske interaktioner i den virkelige verden.

For eksempel har Sora, en tekst-til-video-model, vundet stor popularitet på grund af dens forbedrede, realistiske gengivelse af objekter. Det kan dog ikke præcist modellere grundlæggende interaktioner, for eksempel retningen, hvori flammen fra stearinlysene på feriekagen bevæger sig.

Forskere foreslår at inkorporere "forudgående viden", såsom fysiklove eller matematisk logik, sammen med data for at træne mere nøjagtige maskinlæringsmodeller.

Indlejring af menneskelig viden i AI-modeller kan øge deres effektivitet og forudsigelsesevne. For at løse dette problem udviklede teamet en ramme til evaluering af værdien af ​​forudgående viden og bestemmelse af dens indvirkning på modellens nøjagtighed. Deres rammer har til formål at evaluere værdien af ​​viden ved hjælp af afledte regler under hensyntagen til faktorer som datavolumen og evalueringsområde. Ved at udføre kvantitative eksperimenter søger forskere at belyse det komplekse forhold mellem data og tidligere viden, herunder afhængighed, synergi og substitutionseffekter.

Dette modeldiagnostiske system kan anvendes til forskellige netværksarkitekturer, hvilket giver en omfattende forståelse af den rolle, forudgående viden spiller i modeller for dyb læring.

Forskerne testede deres rammer på modeller til løsning af multidimensionelle ligninger og forudsigelse af resultaterne af kemiske eksperimenter. De fandt ud af, at inkorporering af forudgående viden i høj grad forbedrede ydeevnen af ​​disse modeller, især inden for videnskabelige områder, hvor overensstemmelse med fysiske love er afgørende for at undgå potentielt katastrofale udfald. På længere sigt sigter teamet mod at udvikle AI-modeller, der selvstændigt kan identificere og anvende relevant viden uden menneskelig indgriben.

De erkender dog, at efterhånden som mængden af ​​data i modellen stiger, kan der opstå problemer som dominansen af ​​generelle regler over specifikke lokale regler, især inden for områder som biologi og kemi, hvor der kan mangle generelle regler.

Læs også:

•  Cockerill iX pansrede køretøj modtog AI til effektiv kamp mod droner
• Hvad er AMD XDNA? Arkitekturen, der driver AI på Ryzen-processorer