Kitajski raziskovalci na robu ustvarjanja "pravih znanstvenikov AI"

Kitajski raziskovalci so na pragu prelomnega pristopa k razvoju "znanstvenikov umetne inteligence (AI)", ki so sposobni izvajati eksperimente in reševati znanstvene probleme. Nedavni napredek v modelih globokega učenja je revolucioniral znanstvene raziskave, vendar sedanji modeli še vedno težko natančno posnemajo fizične interakcije v resničnem svetu.

Vendar pa je skupina raziskovalcev z Univerze v Pekingu in Orientalskega inštituta za tehnologijo (EIT) na Kitajskem razvila nov okvir za usposabljanje modelov strojnega učenja, ki temelji na predhodnem znanju, kot so zakoni fizike ali matematična logika, poleg podatkov.

South China Morning Post poroča, da bi takšen pristop lahko vodil do ustvarjanja "pravih znanstvenikov z umetno inteligenco", ki lahko izboljšajo poskuse in rešujejo znanstvene probleme. Modeli globokega učenja so pomembno vplivali na znanstvene raziskave z razkrivanjem odnosov v velikih nizih podatkov. Kljub temu napredku se trenutni modeli, kot je OpenAI's Sora, soočajo z omejitvami pri natančnem simuliranju določenih fizičnih interakcij v resničnem svetu.

Na primer, Sora, model besedila v video, je pridobil veliko popularnost zaradi izboljšane, realistične predstavitve predmetov. Vendar pa ne more natančno modelirati osnovnih interakcij, na primer smeri, v katero se premika plamen sveč na praznični torti.

Raziskovalci predlagajo vključitev "predhodnega znanja", kot so zakoni fizike ali matematične logike, skupaj s podatki za usposabljanje natančnejših modelov strojnega učenja.

Vgradnja človeškega znanja v modele AI lahko poveča njihovo učinkovitost in sposobnost napovedovanja. Da bi rešili ta problem, je skupina razvila okvir za vrednotenje vrednosti predznanja in določanje njegovega vpliva na točnost modela. Njihov okvir je namenjen ovrednotenju vrednosti znanja z uporabo izpeljanih pravil, ob upoštevanju dejavnikov, kot sta količina podatkov in obseg vrednotenja. Z izvajanjem kvantitativnih eksperimentov si raziskovalci prizadevajo razjasniti kompleksno razmerje med podatki in predznanjem, vključno z odvisnostjo, sinergijo in substitucijskimi učinki.

Ta modelno-diagnostični sistem je mogoče uporabiti za različne omrežne arhitekture, kar zagotavlja celovito razumevanje vloge predznanja v modelih globokega učenja.

Raziskovalci so svoj okvir preizkusili na modelih za reševanje večdimenzionalnih enačb in napovedovanje rezultatov kemijskih eksperimentov. Ugotovili so, da je vključitev predhodnega znanja močno izboljšala učinkovitost teh modelov, zlasti na znanstvenih področjih, kjer je skladnost s fizikalnimi zakoni ključnega pomena za izogibanje potencialno katastrofalnim izidom. Dolgoročno si ekipa prizadeva razviti modele AI, ki lahko neodvisno prepoznajo in uporabijo ustrezno znanje brez človeškega posredovanja.

Vendar pa priznavajo, da se lahko s povečanjem količine podatkov v modelu pojavijo težave, kot je prevlada splošnih pravil nad posebnimi lokalnimi pravili, zlasti na področjih, kot sta biologija in kemija, kjer splošna pravila morda manjkajo.

Preberite tudi:

•  Oklepno vozilo Cockerill iX je prejelo AI za učinkovit boj proti dronom
• Kaj je AMD XDNA? Arhitektura, ki poganja AI na procesorjih Ryzen