Автоматизація науки: як вчені застосовують штучний інтелект, нейромережі та машинне навчання. Частина 2

Продовження перекладу статті від наукового журналіста Дена Фока (Dan Falk). Перша частина за посиланням.

Працьовиті помічники

Автор матеріалу звертає увагу на те, що штучний інтелект та нейромережі стали незамінні в астрономічних та фізичних дослідженнях.

Наприклад, команда астроінформатиків в Гейдельберзькому інституті теоретичних досліджень, яким керує Кай Полстерер (Kai Polsterer) використовувала алгоритмом машинного навчання для добування інформації про червоне зміщення з даних про галактики. Раніше це завдання було дуже важким.

Основна перевага систем штучного інтелекту, за думкою Полстерера, це його здатність працювати протягом багатьох годин підряд без перерв та скарг на умови праці. Це дозволяє делегувати нудну роботу йому, самому зосереджуватися на цікавій науці.

«Творчість полягає в ненависті до нудьги. Я не думаю, що комп’ютер може засумувати» — каже  Кай Полстерер.

Але людина все одно повинна контролювати штучний інтелект, попереджує Полстерер. Штучний інтелект не розрізняє типи вхідних даних, тому, якщо штучний інтелект натренувати оцінювати червоне зміщення та вік галактики, а потім завантажити селфі, він не зможе оцінити це зображення. Полстерер стверджує, що людина відповідає за інтерпретацію даних.

Астрофізик Брайан Норд (Brian Nord) попереджує, що нейромережі повинні надати не лише результат, але й похибки, як і в будь-якому іншому науковому дослідженні.

Також Норд виражає занепокоєння з приводу нейромереж, які підтримують багато дослідників штучного інтелекту: вони надають лише відповідь, без пояснення того, як саме вона була отримана.

Але, як помічає автор матеріалу Ден Фок, не всі вчені думають, що це настільки важливо. Ленка Здеборова (Lenka Zdeborová), дослідниця у Французькому Інституті теоретичної фізики комісаріату по атомній та по альтернативних видах енергії, зрівнює неможливість зрозуміти логіку штучного інтелекту з людською логікою. Наприклад, коли людина бачить фотозображення кота, вона знає, що це кіт, але неможливо точно пояснити, чому саме вона це знає.

Фок продовжує розповідати про те, як інші сфери науки використовують штучний інтелект та нейромережі.

Він приводить до прикладу історію Роджера Мелко (Roger Melko), квантового фізика, котрий використовував нейромережу для вирішення однієї з найскладніших проблем у його сфері діяльності: як математично представити «хвильову функцію», що описує багаточасткові системи. Мелко вважає, що було необхідно використати штучний інтелект через «прогресуюче прокляття розміреності».

Це «прокляття» нагадує гру в шахи. Як і в шахах, з кожним кроком кількість можливих наступних та ходів у відповідь опонента збільшується, можливі форми хвильової функції зростають в геометричній прогресії зі збільшенням кількості часток в системі, яку вона описує.

А штучний інтелект вже давно став експертом у шахах, тому відповідально підходить до розв’язання схожих проблем у квантовій фізиці.

Машинний мозок

Не дивлячись на всі дискусії, штучний інтелект збільшує швидкість наукових відкриттів, вважає журналіст Фок. Він також спантеличений питанням, як далеко дійде революція штучного інтелекту.

Бувають і дивні відкриття. Наприклад, дослідники створили штучний інтелект, що виявив гени в дріжджах, які відповідають за виробництво певних амінокислот. Для цього він використовував проби дріжджів з певними генами та без них. У Wired стаття про це дослідження вийшла під заголовком «Робот самостійно робить наукове дослідження».

Як приклад штучного інтелекту, що пришвидшує наукові дослідження, Фок приводить випадок хіміка Лі Кроніна (Lee Cronin). Він використовував робота, який випадковим образом змішував хімічні речовини, аби спробувати отримати нові з’єднання. З часом система навчилась заздалегідь визначати з’єднання з найбільшою здатністю до реакції. Кронін вважає, що такі роботизовані системи можуть на 90% пришвидшити роботу хіміків.

Ще один випадок – нейромережа, яка виводить закони фізики за допомогою даних. Вона наново відкрила так звану геліоцентричну модель Сонячної системи, дослідивши дані про положення Сонця та Марсу в небі відносно Землі; вона також ще раз відкрила закон збереження імпульсу, спостерігаючи за шарами, які зіштовхуються один з одним.

Так, як закони фізики можуть бути виражені декількома способами, дослідникам цікаво дізнатися, чи існують нові, простіші способи пояснення вже виявлених законів та чи зможе система їх відкрити.

Не дивлячись на ці випадки, залишається відкритим питанням про те, скільки ж інформації можна отримати на основі одних і тих же даних.

В книзі «Книга причин» («The Book of Why», 2018) вчений-інформатик Джуда Перл (Judea Pearl) та популяризатор науки Дана Маккензі (Dana Mackenzie) стверджують про те, що використання даних для надання відповідей на питання про причинно-наслідкові зв’язки – марно.

Вони вважають, що все, що можуть будь-які дослідження, засноване на не змодельованому аналізі даних, — це узагальнити та структурувати, але ніяк не тлумачити дані. Шавінскі у відповідь на це заперечує, що вчені не можуть з’ясувати за допомогою штучного інтелекту причини та наслідки, але наразі з використанням даних вони можуть досягти дедалі більшого, ніж раніше.

Автор приводить ще один аргумент: наука потребує творчого підходу, та ми не знаємо, як завантажити його до машини. Полстерер стверджує, що творче мислення пов’язане з нудьгою, а програми не вміють нудьгувати, хоча багато хто називають такі програми, як Deep Blue та AlphaGo, «креативними». Ми не можемо розібратися з «мозком» машини, тому що не дослідили власне мисленні процеси, — додав Фок.

Шавінскі, який нещодавно залишив наукове суспільство та заснував стартап Modulos, розвиває штучний інтелект та машинне навчання за допомогою команди вчених з вищої технічної школи. Філософія компанії стверджує про те, що машини готові брати на себе все більше роботи, яку наразі виконують люди.

«Чи можна в найближчому майбутньому побудувати машину, яка за допомогою біотехнологій зможе відкривати закони фізики або математики, що недоступні розумінню досвідчених людей? Чи буде майбутнє науки в обов’язковому порядку залежати від машин, які працюють на такому рівні, якого ми не зможемо досягнути ніколи?» — задає собі питання Кевін Шавінскі

І хоча вчений зацікавлений в цих питаннях, відповіді на них він не має.

БІЛЬШЕ ЦІКАВОГО:

Джерело: Quantamagazine

Читайте также:

Як користуватися Artbreeder — нейромережею, яка вміє «схрещувати» зображення та створювати нові

OpenAI представила революційну нейромережу SORA, що генерує відео за текстом

Що чекає штучний інтелект у 2024 році: 4 головні тренди від MIT

Як використання штучного інтелекту впливає на нашу продуктивність?