Chinese onderzoekers staan ​​op het punt om ‘echte AI-wetenschappers’ te creëren

Chinese onderzoekers staan ​​aan de vooravond van een baanbrekende aanpak om ‘kunstmatige intelligentie (AI)-wetenschappers’ te ontwikkelen die in staat zijn experimenten uit te voeren en wetenschappelijke problemen op te lossen. Recente ontwikkelingen op het gebied van deep learning-modellen hebben een revolutie teweeggebracht in het wetenschappelijk onderzoek, maar de huidige modellen hebben nog steeds moeite om fysieke interacties in de echte wereld nauwkeurig na te bootsen.

Een team van onderzoekers van de Universiteit van Peking en het Oriental Institute of Technology (EIT) in China heeft echter een nieuw raamwerk ontwikkeld voor het trainen van machine learning-modellen op basis van voorkennis, zoals natuurwetten of wiskundige logica, naast gegevens.

South China Morning Post meldt dat een dergelijke aanpak zou kunnen leiden tot de creatie van ‘echte wetenschappers met kunstmatige intelligentie’ die experimenten kunnen verbeteren en wetenschappelijke problemen kunnen oplossen. Deep learning-modellen hebben het wetenschappelijk onderzoek aanzienlijk beïnvloed door relaties in grote datasets bloot te leggen. Ondanks deze vooruitgang worden huidige modellen, zoals OpenAI's Sora, geconfronteerd met beperkingen bij het nauwkeurig simuleren van bepaalde fysieke interacties in de echte wereld.

Sora, een tekst-naar-video-model, heeft bijvoorbeeld grote populariteit gewonnen dankzij de verbeterde, realistische weergave van objecten. Het kan echter basisinteracties niet nauwkeurig modelleren, bijvoorbeeld de richting waarin de vlam van de kaarsen op de feesttaart beweegt.

Onderzoekers stellen voor om ‘voorkennis’, zoals wetten van de natuurkunde of wiskundige logica, samen met gegevens op te nemen om nauwkeurigere machine learning-modellen te trainen.

Het inbedden van menselijke kennis in AI-modellen kan de effectiviteit en het voorspellend vermogen ervan vergroten. Om dit probleem op te lossen, ontwikkelde het team een ​​raamwerk voor het evalueren van de waarde van voorkennis en het bepalen van de impact ervan op de nauwkeurigheid van het model. Hun raamwerk heeft tot doel de waarde van kennis te evalueren met behulp van afgeleide regels, rekening houdend met factoren zoals datavolume en evaluatiebereik. Door kwantitatieve experimenten uit te voeren proberen onderzoekers de complexe relatie tussen gegevens en voorkennis op te helderen, inclusief afhankelijkheid, synergie en substitutie-effecten.

Dit modeldiagnostische systeem kan worden toegepast op verschillende netwerkarchitecturen en biedt een uitgebreid inzicht in de rol van voorkennis in deep learning-modellen.

De onderzoekers testten hun raamwerk op modellen voor het oplossen van multidimensionale vergelijkingen en het voorspellen van de resultaten van chemische experimenten. Ze ontdekten dat het opnemen van voorkennis de prestaties van deze modellen aanzienlijk verbeterde, vooral op wetenschappelijke gebieden waar consistentie met natuurkundige wetten van cruciaal belang is om potentieel catastrofale uitkomsten te voorkomen. Op de lange termijn wil het team AI-modellen ontwikkelen die zelfstandig relevante kennis kunnen identificeren en toepassen zonder menselijke tussenkomst.

Ze erkennen echter dat naarmate de hoeveelheid gegevens in het model toeneemt, er problemen kunnen ontstaan ​​zoals de dominantie van algemene regels over specifieke lokale regels, vooral op gebieden als biologie en scheikunde, waar algemene regels mogelijk ontbreken.

Lees ook:

•  Het pantservoertuig Cockerill iX kreeg AI voor een effectieve strijd tegen drones
• Wat is AMD XDNA? De architectuur die AI op Ryzen-processors aandrijft