חוקרים סינים על סף יצירת "מדעני בינה מלאכותית"

חוקרים סינים נמצאים על סף גישה פורצת דרך לפיתוח "מדעני בינה מלאכותית (AI)" המסוגלים לערוך ניסויים ולפתור בעיות מדעיות. ההתקדמות האחרונה במודלים של למידה עמוקה חוללה מהפכה במחקר המדעי, אך המודלים הנוכחיים עדיין מתקשים לחקות במדויק אינטראקציות פיזיות בעולם האמיתי.

עם זאת, צוות חוקרים מאוניברסיטת פקין ומהמכון הטכנולוגי המזרחי (EIT) בסין פיתח מסגרת חדשה לאימון מודלים של למידת מכונה המבוססת על ידע קודם, כמו חוקי הפיזיקה או היגיון מתמטי, לצד נתונים.

דרום סין מורנינג פוסט מדווח שגישה כזו יכולה להוביל ליצירת "מדענים אמיתיים עם בינה מלאכותית" שיכולים לשפר ניסויים ולפתור בעיות מדעיות. מודלים של למידה עמוקה השפיעו באופן משמעותי על המחקר המדעי על ידי חשיפת קשרים במערכות נתונים גדולות. למרות ההתקדמות הללו, מודלים נוכחיים כמו Sora של OpenAI מתמודדים עם מגבלות בסימול מדויק של אינטראקציות פיזיות מסוימות בעולם האמיתי.

לדוגמה, Sora, מודל טקסט לווידאו, זכה לפופולריות רחבה בזכות הייצוג המשופר והמציאותי שלו של אובייקטים. עם זאת, היא לא יכולה לדגמן במדויק אינטראקציות בסיסיות, למשל, הכיוון שאליו נעה להבת הנרות על עוגת החג.

חוקרים מציעים לשלב "ידע מוקדם", כגון חוקי הפיזיקה או לוגיקה מתמטית, יחד עם נתונים לאימון מודלים מדויקים יותר של למידת מכונה.

הטמעת ידע אנושי במודלים של AI יכולה להגביר את האפקטיביות ויכולת הניבוי שלהם. כדי לפתור בעיה זו, הצוות פיתח מסגרת להערכת הערך של ידע קודם וקביעת השפעתו על דיוק המודל. המסגרת שלהם שמה לה למטרה להעריך את ערך הידע באמצעות כללים נגזרים, תוך התחשבות בגורמים כמו נפח נתונים וטווח הערכה. על ידי ביצוע ניסויים כמותיים, החוקרים מבקשים להבהיר את הקשר המורכב בין נתונים וידע קודם, כולל תלות, סינרגיה והשפעות החלפה.

מערכת אבחון מודל זו ניתנת ליישום על ארכיטקטורות רשת שונות, ומספקת הבנה מקיפה של תפקידו של ידע קודם במודלים של למידה עמוקה.

החוקרים בדקו את המסגרת שלהם על מודלים לפתרון משוואות רב-ממדיות וחיזוי תוצאות של ניסויים כימיים. הם מצאו ששילוב ידע קודם שיפר מאוד את הביצועים של מודלים אלה, במיוחד בתחומים מדעיים שבהם עקביות עם חוקים פיזיקליים היא קריטית כדי להימנע מתוצאות שעלולות להיות קטסטרופליות. בטווח הארוך, הצוות שואף לפתח מודלים של AI שיוכלו לזהות וליישם באופן עצמאי ידע רלוונטי ללא התערבות אנושית.

עם זאת, הם מכירים בכך שככל שכמות הנתונים במודל גדלה, עלולות להתעורר בעיות כמו הדומיננטיות של כללים כלליים על כללים מקומיים ספציפיים, במיוחד בתחומים כמו ביולוגיה וכימיה, שבהם עשויים להיות חסרים כללים כלליים.

קרא גם:

•  הרכב המשוריין Cockerill iX קיבל בינה מלאכותית ללחימה יעילה נגד מל"טים
• מה זה AMD XDNA? הארכיטקטורה שמניעה AI במעבדי Ryzen