Китайски изследователи на път да създадат „истински AI учени“

Китайски изследователи са на прага на новаторски подход към разработването на „учени с изкуствен интелект (AI)“, способни да провеждат експерименти и да решават научни проблеми. Последният напредък в моделите за дълбоко обучение революционизира научните изследвания, но настоящите модели все още се борят да имитират точно физическите взаимодействия в реалния свят.

Въпреки това, екип от изследователи от Пекинския университет и Източния технологичен институт (EIT) в Китай разработи нова рамка за обучение на модели за машинно обучение, базирани на предишни знания, като закони на физиката или математическа логика, заедно с данни.

Южна Китай сутрешна поща съобщава, че подобен подход може да доведе до създаването на "истински учени с изкуствен интелект", които могат да подобряват експериментите и да решават научни проблеми. Моделите на дълбоко обучение са повлияли значително на научните изследвания, като разкриват връзки в големи набори от данни. Въпреки този напредък, настоящите модели като Sora на OpenAI се сблъскват с ограничения при точното симулиране на определени физически взаимодействия в реалния свят.

Например Sora, модел за текст към видео, придоби широка популярност благодарение на подобреното си, реалистично представяне на обекти. Той обаче не може точно да моделира основни взаимодействия, например посоката, в която се движи пламъкът на свещите върху празничната торта.

Изследователите предлагат включване на „предварителни знания“, като закони на физиката или математическа логика, заедно с данни за обучение на по-точни модели за машинно обучение.

Вграждането на човешки знания в модели на ИИ може да повиши тяхната ефективност и способност за прогнозиране. За да разреши този проблем, екипът разработи рамка за оценка на стойността на предишните знания и определяне на въздействието им върху точността на модела. Тяхната рамка има за цел да оцени стойността на знанието, като използва извлечени правила, като взема предвид фактори като обем на данните и обхват на оценка. Чрез провеждането на количествени експерименти изследователите се стремят да изяснят сложната връзка между данните и предишните знания, включително зависимостта, синергията и ефектите на заместване.

Тази моделно-диагностична система може да се приложи към различни мрежови архитектури, осигурявайки цялостно разбиране на ролята на предишните знания в моделите за дълбоко обучение.

Изследователите тестваха своята рамка върху модели за решаване на многомерни уравнения и прогнозиране на резултатите от химични експерименти. Те откриха, че включването на предишни знания значително подобрява ефективността на тези модели, особено в научни области, където съответствието с физическите закони е от решаващо значение за избягване на потенциално катастрофални резултати. В дългосрочен план екипът има за цел да разработи AI модели, които могат независимо да идентифицират и прилагат съответните знания без човешка намеса.

Те обаче признават, че с нарастването на количеството данни в модела могат да възникнат проблеми като доминирането на общи правила над специфични местни правила, особено в области като биология и химия, където може да липсват общи правила.

Прочетете също:

•  Бронираното превозно средство Cockerill iX получи AI за ефективна борба с дронове
• Какво е AMD XDNA? Архитектурата, която захранва AI на процесорите Ryzen