Как нейронные сети развивают науку и технологии

35

Научные гипотезы долгое время были чисто человеческой деятельностью. Однако, ученые используют машинное обучение, чтобы создавать новые научные идеи и разрабатывать технологии. Системы на основе искусственного интеллекта (ИИ) помогают ученым создавать нейронные сети (вычислительные цифровые модели), которые предлагают новые гипотезы, за счет чего, ученые ускоряют научный-технический прогресс и уменьшают количество совершаемых ошибок.

Например, команда ученых из Ливерпульского университета в Англии, использовала ИИ в отношении химических веществ, чтобы выбрать полезные соединения для разработки новых аккумуляторов для электромобилей. Дело в том, что у автокомпаний заканчиваются материалы для производства аккумуляторов. Один из важнейших компонентов, никель, по прогнозам, вызовет дефицит предложения в конце этого года.

Нейронная сеть

Иллюстрация pixabay

С помощью ИИ, ученые обнаружили четыре новых материала, которые потенциально могут помочь решить проблемы с производством аккумуляторов для электрических автомобилей. Исследователи разработали нейронную сеть, которая ранжировала химические комбинации по вероятности получения нового полезного материала. Затем, ученые использовали полученные данные для проведения экспериментов. Они определили четырех материала, которые можно использовать в аккумуляторах, при этом сэкономив время проб и ошибок, сообщает Scientific American.

«Это отличный инструмент», — говорит Андрей Василенко, научный сотрудник Ливерпульского университета и соавтор исследования. Искусственный интеллект помог ученым определить химические комбинации, на которые стоит обратить внимание, чтобы исследователи могли быстрее приступить к экспериментам.

Открытие новых материалов — не единственная область, в которой ИИ способствует развитию науки и технологий. Исследователи также применяют нейронные сети для решения более крупных технических и теоретических вопросов. Ренато Реннер, физик из Института теоретической физики в Цюрихе, надеется когда-нибудь использовать машинное обучение для разработки единой теории того, как устроена Вселенная. Но прежде чем ИИ поможет раскрыть ученым природу реальности, исследователи должны решить какими алгоритмами нейронные сети принимают свои решения.

Renato Renner

Ренато Реннер, quantamagazine.org

За последние 10 лет машинное обучение стало чрезвычайно популярным инструментом для классификации больших данных и составления прогнозов. Однако, объяснить логическую основу умных цифровых систем очень сложно. Нейронные сети построены из взаимосвязанных узлов, смоделированных по образцу нейронов мозга, со структурой, которая изменяется по мере прохождения через нее информации.

Это отсутствие прозрачности было названо «проблемой черного ящика», потому что никто не может заглянуть внутрь сети, чтобы объяснить ее «мыслительный» процесс, а это подрывает доверие к результатам и ограничивает вклад нейронных сетей в научное понимание мира людьми. Некоторые ученые разрабатывают «методы интерпретируемости», которые должны объяснить, как модель дает свои ответы.

Однако, исследователи все еще не могут получить высокий уровень детализации сложных моделей машинного обучения, что часто приводит к неожиданным результатам, например о том, кто с наибольшей вероятностью заболеет раком.

Несколько лет назад Анант Мадабхуши, профессор биомедицинской инженерии в Кейсовском университете Западного резервного района (США), использовал нейронную сеть, чтобы понять, почему у одних пациентов вероятность рецидива рака груди или простаты выше, чем у других. Он отправил сканированные изображения пациентов в нейронную сеть и она определила людей с более высоким риском рецидива рака. Затем, Мадабхуши проанализировал данные, чтобы найти наиболее важную характеристику для определения нейронной сетью вероятности повторного развития рака у пациента. Результаты показали, что плотность структуры желез является фактором, наиболее точно предсказывающим вероятность рецидива рака.

«Это не была гипотеза. Мы этого не знали», — говорит Мадабхуши. «Мы использовали методологию для обнаружения важного признака заболевания». И только после того, как ИИ сделал свой вывод, ученые обнаружили, что результат также согласуется с современной научной литературой о патологии. Нейронная сеть пока не может объяснить, почему плотность структуры желез способствует развитию рака, но она все же помогла Мадабхуши и его коллегам лучше понять, как прогрессирует рост опухоли, что привело к новым направлениям для будущих исследований.

И хотя в области машинного обучения все еще остается много проблем, тем не менее, ученые надеются, что машинное обучение поможет людям получать новые знания о мире и человеке. Нейронные сети могут способствовать пересмотру старых научных теорий и вопросов. Хотя сети еще не могут самостоятельно выдвигать гипотезы, они могут давать подсказки и направлять ученых к другому взгляду на проблему.

Долгое время физикам не удается примирить две теории — квантовую теорию и ОТО Эйнштейна. Но такие ученые, как Ренато Реннер надеются, что машинное обучение даст им понимание, как связать научные знания в новые научные теории. «Мы сможем далеко продвинуться в физике, только если посмотрим на вещи нестандартно», — говорит ученый. На данный момент, он создает сеть на основе физических теорий прошлого и надеется, что сеть поможет ему понять структуру и устройство Вселенной.

4.2/5 - (5 голосов)
Нашли ошибку в текстах? Выделите слово с ошибкой мышкой и нажмите Ctrl и Enter.
Предыдущая статьяНиколай Злобин прав: у нас у всех общая судьба
Следующая статьяМорские организмы теперь живут на мусоре в океане