Кинески истраживачи на ивици стварања "правих научника АИ"

Кинески истраживачи су на ивици револуционарног приступа развоју „научника вештачке интелигенције (АИ)“ способних да спроводе експерименте и решавају научне проблеме. Недавни напредак у моделима дубоког учења је револуционисао научна истраживања, али тренутни модели се и даље боре да прецизно опонашају физичке интеракције у стварном свету.

Међутим, тим истраживача са Пекиншког универзитета и Оријенталног института за технологију (ЕИТ) у Кини развио је нови оквир за обуку модела машинског учења заснованог на претходном знању, као што су закони физике или математичке логике, поред података.

Соутх Цхина Морнинг Пост извештава да би такав приступ могао да доведе до стварања „правих научника са вештачком интелигенцијом“ који могу да побољшају експерименте и решавају научне проблеме. Модели дубоког учења значајно су утицали на научна истраживања откривањем односа у великим скуповима података. Упркос овом напретку, тренутни модели као што је ОпенАИ Сора суочавају се са ограничењима у прецизној симулацији одређених физичких интеракција у стварном свету.

На пример, Сора, модел текст-видео, стекао је широку популарност због побољшане, реалистичне репрезентације објеката. Међутим, не може прецизно моделирати основне интеракције, на пример, правац у коме се креће пламен свећа на празничном колачу.

Истраживачи предлажу укључивање „претходног знања“, као што су закони физике или математичке логике, заједно са подацима за обуку прецизнијих модела машинског учења.

Уграђивање људског знања у АИ моделе може повећати њихову ефикасност и способност предвиђања. Да би решио овај проблем, тим је развио оквир за процену вредности претходног знања и одређивање његовог утицаја на тачност модела. Њихов оквир има за циљ да процени вредност знања користећи изведена правила, узимајући у обзир факторе као што су обим података и опсег евалуације. Спровођењем квантитативних експеримената, истраживачи настоје да разјасне сложен однос између података и претходног знања, укључујући зависност, синергију и ефекте замене.

Овај модел-дијагностички систем се може применити на различите мрежне архитектуре, пружајући свеобухватно разумевање улоге претходног знања у моделима дубоког учења.

Истраживачи су тестирали свој оквир на моделима за решавање вишедимензионалних једначина и предвиђање резултата хемијских експеримената. Открили су да је укључивање претходног знања увелико побољшало перформансе ових модела, посебно у научним областима где је доследност са физичким законима критична за избегавање потенцијално катастрофалних исхода. Дугорочно, тим има за циљ да развије АИ моделе који могу независно идентификовати и применити релевантно знање без људске интервенције.

Међутим, они признају да како се количина података у моделу повећава, могу се појавити проблеми као што је доминација општих правила над специфичним локалним правилима, посебно у областима као што су биологија и хемија, где општа правила можда недостају.

Прочитајте такође:

•  Оклопно возило Цоцкерилл иКс добило је вештачку интелигенцију за ефикасну борбу против дронова
• Шта је АМД КСДНА? Архитектура која покреће АИ на Ризен процесорима