محققان چینی در آستانه یک رویکرد پیشگامانه برای توسعه "دانشمندان هوش مصنوعی (AI)" هستند که قادر به انجام آزمایش ها و حل مشکلات علمی هستند. پیشرفتهای اخیر در مدلهای یادگیری عمیق، تحقیقات علمی را متحول کرده است، اما مدلهای فعلی هنوز برای تقلید دقیق از تعاملات فیزیکی دنیای واقعی تلاش میکنند.
با این حال، تیمی از محققان دانشگاه پکن و موسسه فناوری شرقی (EIT) در چین چارچوب جدیدی برای آموزش مدلهای یادگیری ماشین بر اساس دانش قبلی، مانند قوانین فیزیک یا منطق ریاضی، در کنار دادهها ایجاد کردهاند.
جنوب چین پست صبحگاهی گزارش می دهد که چنین رویکردی می تواند منجر به ایجاد "دانشمندان واقعی با هوش مصنوعی" شود که می توانند آزمایش ها را بهبود بخشند و مشکلات علمی را حل کنند. مدل های یادگیری عمیق به طور قابل توجهی بر تحقیقات علمی با آشکار کردن روابط در مجموعه داده های بزرگ تأثیر گذاشته اند. با وجود این پیشرفتها، مدلهای فعلی مانند سورای OpenAI در شبیهسازی دقیق برخی از فعل و انفعالات فیزیکی در دنیای واقعی با محدودیتهایی مواجه هستند.
به عنوان مثال، Sora، یک مدل متن به ویدئو، به دلیل بهبود یافته و نمایش واقعی اشیاء، محبوبیت زیادی به دست آورده است. با این حال، نمی تواند تعاملات اساسی را به طور دقیق مدل کند، به عنوان مثال، جهت حرکت شعله شمع روی کیک تعطیلات.
محققان پیشنهاد میکنند که «دانش قبلی» مانند قوانین فیزیک یا منطق ریاضی را به همراه دادهها برای آموزش مدلهای یادگیری ماشینی دقیقتر ترکیب کنند.
تعبیه دانش انسانی در مدلهای هوش مصنوعی میتواند اثربخشی و توانایی پیشبینی آنها را افزایش دهد. برای حل این مشکل، تیم چارچوبی برای ارزیابی ارزش دانش قبلی و تعیین تأثیر آن بر دقت مدل ایجاد کرد. هدف چارچوب آنها ارزیابی ارزش دانش با استفاده از قوانین مشتق شده، با در نظر گرفتن عواملی مانند حجم داده ها و محدوده ارزیابی است. با انجام آزمایش های کمی، محققان به دنبال روشن کردن رابطه پیچیده بین داده ها و دانش قبلی، از جمله وابستگی، هم افزایی و اثرات جایگزینی هستند.
این سیستم تشخیصی مدل را می توان در معماری های مختلف شبکه اعمال کرد و درک جامعی از نقش دانش قبلی در مدل های یادگیری عمیق ارائه داد.
محققان چارچوب خود را بر روی مدل هایی برای حل معادلات چند بعدی و پیش بینی نتایج آزمایش های شیمیایی آزمایش کردند. آنها دریافتند که ترکیب دانش قبلی عملکرد این مدلها را تا حد زیادی بهبود میبخشد، بهویژه در زمینههای علمی که سازگاری با قوانین فیزیکی برای جلوگیری از پیامدهای بالقوه فاجعهبار حیاتی است. در بلندمدت، هدف این تیم توسعه مدلهای هوش مصنوعی است که میتواند به طور مستقل دانش مربوطه را بدون دخالت انسان شناسایی و اعمال کند.
با این حال، آنها اذعان می کنند که با افزایش حجم داده ها در مدل، مشکلاتی مانند تسلط قواعد عمومی بر قوانین محلی خاص ممکن است ایجاد شود، به ویژه در زمینه هایی مانند زیست شناسی و شیمی، که در آن قوانین کلی ممکن است وجود نداشته باشد.
همچنین بخوانید: