Алгоритмы машинного обучения могут направлять людей к новым экспериментам и теориям

Электромобили обладают потенциалом существенного сокращения выбросов углекислого газа, но у автомобильных компаний заканчиваются материалы для изготовления аккумуляторов. Один из важнейших компонентов, никель, по прогнозам, вызовет нехватку поставок уже к концу этого года. Недавно ученые обнаружили четыре новых материала, которые потенциально могут помочь—и что может быть еще более интригующим, так это то, как они нашли эти материалы: исследователи полагались на искусственный интеллект, чтобы выбрать полезные химические вещества из списка из более чем 300 вариантов. И они не единственные люди, обращающиеся к ИИ за научным вдохновением.

Создание гипотез долгое время было чисто человеческой сферой. Однако теперь ученые начинают просить машинное обучение создавать оригинальные идеи. Они разрабатывают нейронные сети (тип установки машинного обучения со структурой, вдохновленной человеческим мозгом), которые предлагают новые гипотезы, основанные на моделях, которые сети находят в данных, вместо того, чтобы полагаться на человеческие предположения. Многие области вскоре могут обратиться к музе машинного обучения в попытке ускорить научный процесс и уменьшить человеческие предубеждения.

В случае новых материалов для батарей ученые, решающие такие задачи, обычно полагаются на инструменты поиска в базе данных, моделирование и собственную интуицию в отношении химических веществ, чтобы выбрать полезные соединения. Вместо этого команда из Ливерпульского университета в Англии использовала машинное обучение для оптимизации творческого процесса. Исследователи разработали нейронную сеть, которая ранжировала химические комбинации по тому, насколько вероятно, что они приведут к полезному новому материалу. Затем ученые использовали эти рейтинги для руководства своими экспериментами в лаборатории. Они определили четырех перспективных кандидатов для аккумуляторных материалов без необходимости проверять все, что есть в их списке, экономя месяцы проб и ошибок.

“Это отличный инструмент”,-говорит Андрей Василенко, научный сотрудник Ливерпульского университета и соавтор исследования по поиску материалов для батарей, которое было опубликовано в журнале Nature Communications в прошлом месяце. Процесс ИИ помогает определить химические комбинации, на которые стоит обратить внимание, добавляет он, поэтому “мы можем быстрее охватить гораздо больше химического пространства”.

Открытие новых материалов-не единственная область, где машинное обучение может внести свой вклад в науку. Исследователи также применяют нейронные сети для решения более крупных технических и теоретических вопросов. Ренато Реннер, физик из Цюрихского института теоретической физики, надеется когда-нибудь использовать машинное обучение для разработки единой теории устройства Вселенной. Но прежде чем АИ сможет раскрыть истинную природу реальности, исследователи должны решить печально известный трудный вопрос о том, как нейронные сети принимают свои решения.

ПРОНИКНОВЕНИЕ В МАШИННО-ОБУЧАЮЩИЙСЯ РАЗУМ

За последние 10 лет машинное обучение стало чрезвычайно популярным инструментом для классификации больших данных и прогнозирования. Однако объяснить логическую основу его решений может быть очень сложно. Нейронные сети построены из взаимосвязанных узлов, смоделированных по образцу нейронов мозга, со структурой, которая меняется по мере прохождения через нее информации. Хотя эта адаптивная модель способна решать сложные проблемы, людям также часто бывает невозможно расшифровать задействованную логику.

Это отсутствие прозрачности было прозвано “проблемой черного ящика”, потому что никто не может видеть внутри сети, чтобы объяснить ее “мыслительный” процесс. Эта непрозрачность не только подрывает доверие к результатам, но и ограничивает вклад нейронных сетей в научное понимание мира людьми.

Некоторые ученые пытаются сделать черный ящик прозрачным, разрабатывая “методы интерпретации”, которые пытаются предложить пошаговое объяснение того, как сеть приходит к своим ответам. Возможно, невозможно получить высокий уровень детализации из сложных моделей машинного обучения. Но исследователи часто могут выявить более масштабные тенденции в том, как сеть обрабатывает данные, что иногда приводит к удивительным открытиям—например, у кого больше всего шансов заболеть раком.

Несколько лет назад Анант Мадабхуши, профессор биомедицинской инженерии в Университете Кейс Вестерн Резерв, использовал методы интерпретации, чтобы понять, почему у некоторых пациентов вероятность рецидива рака молочной железы или предстательной железы выше, чем у других. Он ввел сканирование пациентов в нейронную сеть, и сеть идентифицировала тех, у кого был более высокий риск повторного возникновения рака. Затем Мадабхуши проанализировал сеть, чтобы найти наиболее важную функцию для определения вероятности повторного развития рака у пациента. Результаты предполагали то, насколько плотно внутренние структуры желез упакованы вместе, является фактором, наиболее точно предсказывающим вероятность того, что рак вернется.

“Это не было гипотезой. Мы этого не знали”, — говорит Мадабхуши. “Мы использовали методику, чтобы обнаружить признак заболевания, который оказался важным”. Только после того, как А. И. сделал свое заключение, его команда обнаружила, что результат также согласуется с современной научной литературой о патологии. Нейронная сеть пока не может объяснить, почему плотность структуры желез способствует развитию рака, но она все же помогла Мадабхуши и его коллегам лучше понять, как прогрессирует рост опухоли, что привело к новым направлениям для будущих исследований.

WHEN A.I. HITS A WALL

Хотя заглядывание внутрь черного ящика может помочь людям построить новые научные гипотезы, “нам еще предстоит пройти долгий путь”, — говорит Сумик Саркар, доцент машиностроения в Университете штата Айова. Методы интерпретируемости могут намекать на корреляции, которые появляются в процессе машинного обучения, но они не могут доказать причинно-следственную связь или предложить объяснения. Они по-прежнему полагаются на экспертов по предмету, чтобы извлечь смысл из сети.

Машинное обучение также часто использует данные, собранные с помощью человеческих процессов, что может привести к воспроизведению человеческих предубеждений. Одна нейронная сеть, называемая Профилированием управления исправительными учреждениями для альтернативных санкций (COMPAS), была даже обвинена в расизме. Сеть использовалась для прогнозирования вероятности повторных правонарушений заключенных. Расследование ProPublica якобы обнаружилось, что система неправильно помечала чернокожих людей, склонных нарушать закон, после того, как их выпускали почти в два раза чаще, чем белых людей в округе Флорида. Equivant, ранее называвшаяся Northpoint, компания по разработке программного обеспечения для уголовного правосудия, создавшая COMPAS, оспорила анализ ProPublica и заявила, что ее программа оценки рисков была неправильноохарактеризована.

Несмотря на такие проблемы, Реннер, физик из Цюриха, по-прежнему надеется, что машинное обучение может помочь людям получать знания с менее предвзятой точки зрения. По его словам, нейронные сети могут вдохновить людей на то, чтобы по-новому взглянуть на старые вопросы. Хотя сети еще не могут самостоятельно выдвигать гипотезы, они могут давать подсказки и направлять ученых к другому взгляду на проблему.

Реннер заходит так далеко, что пытается разработать нейронную сеть, которая может исследовать истинную природу космоса. Физики уже более ста лет не могут примирить две теории Вселенной—квантовую теорию и общую теорию относительности Эйнштейна. Но Реннер надеется, что машинное обучение даст ему новую перспективу, необходимую для того, чтобы преодолеть научное понимание того, как работает материя в масштабах очень малого и очень большого.

“Мы можем сделать большие шаги в физике только в том случае, если будем смотреть на вещи нетрадиционным образом», — говорит он. На данный момент он выстраивает сеть с помощью исторических теорий, давая ей представление о том, как, по мнению людей, устроена Вселенная. В ближайшие несколько лет он планирует попросить его дать свой собственный ответ на этот главный вопрос.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *