ჩინელი მკვლევარები "ნამდვილი AI მეცნიერების" შექმნის ზღვარზე არიან

ჩინელი მკვლევარები არიან ინოვაციური მიდგომის ზღვარზე „ხელოვნური ინტელექტის (AI) მეცნიერების“ განვითარებისთვის, რომლებსაც შეუძლიათ ექსპერიმენტების ჩატარება და მეცნიერული პრობლემების გადაჭრა. ღრმა სწავლის მოდელებში ბოლოდროინდელმა მიღწევებმა რევოლუცია მოახდინა სამეცნიერო კვლევაში, მაგრამ ამჟამინდელი მოდელები კვლავ იბრძვიან რეალურ სამყაროში ფიზიკური ურთიერთქმედებების ზუსტად მიბაძვისთვის.

თუმცა, პეკინის უნივერსიტეტისა და ჩინეთის აღმოსავლური ტექნოლოგიის ინსტიტუტის (EIT) მკვლევართა ჯგუფმა შეიმუშავა ახალი ჩარჩო მანქანური სწავლების მოდელების ტრენინგისთვის, რომელიც ეფუძნება წინა ცოდნას, როგორიცაა ფიზიკის კანონები ან მათემატიკური ლოგიკა, მონაცემებთან ერთად.

სამხრეთ ჩინეთის დილის პოსტი იუწყება, რომ ასეთმა მიდგომამ შეიძლება გამოიწვიოს „ხელოვნური ინტელექტის მქონე ნამდვილი მეცნიერების“ შექმნა, რომლებსაც შეუძლიათ გააუმჯობესონ ექსპერიმენტები და გადაჭრას სამეცნიერო პრობლემები. ღრმა სწავლის მოდელებმა მნიშვნელოვანი გავლენა მოახდინა სამეცნიერო კვლევაზე, მონაცემთა დიდ ნაკრებებში ურთიერთობების გამოვლენით. მიუხედავად ამ მიღწევებისა, ახლანდელ მოდელებს, როგორიცაა OpenAI-ს Sora, ექმნებათ შეზღუდვები რეალურ სამყაროში გარკვეული ფიზიკური ურთიერთქმედების ზუსტად სიმულაციისას.

მაგალითად, Sora, ტექსტიდან ვიდეოს მოდელმა, ფართო პოპულარობა მოიპოვა ობიექტების გაუმჯობესებული, რეალისტური წარმოდგენის გამო. თუმცა, მას ზუსტად არ შეუძლია ძირითადი ურთიერთქმედებების მოდელირება, მაგალითად, მიმართულება, რომლითაც მოძრაობს სადღესასწაულო ტორტზე სანთლების ალი.

მკვლევარები გვთავაზობენ „წინა ცოდნის“ ჩართვას, როგორიცაა ფიზიკის კანონები ან მათემატიკური ლოგიკა, მონაცემებთან ერთად, რათა მოამზადონ უფრო ზუსტი მანქანური სწავლის მოდელები.

ხელოვნური ინტელექტის მოდელებში ადამიანის ცოდნის ჩანერგვამ შეიძლება გაზარდოს მათი ეფექტურობა და პროგნოზირების უნარი. ამ პრობლემის გადასაჭრელად გუნდმა შეიმუშავა წინარე ცოდნის ღირებულების შესაფასებლად და მოდელის სიზუსტეზე მისი გავლენის განსაზღვრის ჩარჩო. მათი ჩარჩო მიზნად ისახავს ცოდნის ღირებულების შეფასებას მიღებული წესების გამოყენებით, ისეთი ფაქტორების გათვალისწინებით, როგორიცაა მონაცემთა მოცულობა და შეფასების დიაპაზონი. რაოდენობრივი ექსპერიმენტების ჩატარებით, მკვლევარები ცდილობენ გაარკვიონ კომპლექსური ურთიერთობა მონაცემებსა და წინარე ცოდნას შორის, მათ შორის დამოკიდებულების, სინერგიის და ჩანაცვლების ეფექტის ჩათვლით.

ეს მოდელი-დიაგნოსტიკური სისტემა შეიძლება გამოყენებულ იქნას სხვადასხვა ქსელის არქიტექტურაზე, რაც უზრუნველყოფს წინასწარი ცოდნის როლის სრულყოფილ გაგებას ღრმა სწავლის მოდელებში.

მკვლევარებმა გამოსცადეს თავიანთი ჩარჩო მოდელებზე მრავალგანზომილებიანი განტოლებების ამოხსნისა და ქიმიური ექსპერიმენტების შედეგების პროგნოზირებისთვის. მათ აღმოაჩინეს, რომ წინარე ცოდნის ჩართვამ მნიშვნელოვნად გააუმჯობესა ამ მოდელების შესრულება, განსაკუთრებით სამეცნიერო სფეროებში, სადაც ფიზიკურ კანონებთან შესაბამისობა გადამწყვეტია პოტენციურად კატასტროფული შედეგების თავიდან ასაცილებლად. გრძელვადიან პერსპექტივაში, გუნდი მიზნად ისახავს შეიმუშაოს ხელოვნური ინტელექტის მოდელები, რომლებსაც შეუძლიათ დამოუკიდებლად ამოიცნონ და გამოიყენონ შესაბამისი ცოდნა ადამიანის ჩარევის გარეშე.

თუმცა, ისინი აღიარებენ, რომ მოდელში მონაცემების რაოდენობის ზრდასთან ერთად, შეიძლება წარმოიშვას პრობლემები, როგორიცაა ზოგადი წესების დომინირება კონკრეტულ ადგილობრივ წესებზე, განსაკუთრებით ისეთ სფეროებში, როგორიცაა ბიოლოგია და ქიმია, სადაც ზოგადი წესები შეიძლება არ იყოს.

ასევე წაიკითხეთ:

•  Cockerill iX-ის ჯავშანმანქანა მიიღო AI დრონების წინააღმდეგ ეფექტური ბრძოლისთვის
• რა არის AMD XDNA? არქიტექტურა, რომელიც აძლიერებს AI-ს Ryzen პროცესორებზე