Chinesische Forscher erzielen Durchbruch bei der Entwicklung von „echten KI-Wissenschaftlern“

Chinesische Forscher der Peking-Universität und des Eastern Institute of Technology (EIT) haben kürzlich ein bahnbrechendes Framework vorgestellt, mit dem maschinelle Lernmodelle mithilfe von Vorwissen trainiert werden können – ein neuer Ansatz, der sich deutlich vom herkömmlichen, rein datenbasierten Vorgehen abhebt. Die Forscher betonen den transformativen Einfluss von Deep-Learning-Modellen auf die wissenschaftliche Forschung und heben deren Fähigkeit hervor, aussagekräftige Zusammenhänge aus riesigen Datensätzen zutrac. Das Framework behebt die Schwächen bestehender Modelle, wie beispielsweise OpenAIs Sora, das aufgrund mangelnden Verständnisses physikalischer Gesetze wie der Gravitation Schwierigkeiten hat, bestimmte Interaktionen der realen Welt präzise zu simulieren.

Deep-Learning-Modelle, die die wissenschaftliche Forschung revolutioniert haben, basieren primär auf umfangreichen Trainingsdaten, anstatt Vorwissen wie physikalische Gesetze odermaticLogik einzubeziehen. Forscher der Peking-Universität und des Eastern Institute of Technology schlagen nun einen Paradigmenwechsel vor. Das Team argumentiert, dass die Kombination von Daten und Vorwissen während des Trainings zu präziseren und fundierteren Modellen des maschinellen Lernens führen könnte.

Die Herausforderung besteht darin, zu bestimmen, welche Aspekte des Vorwissens, einschließlich funktionaler Zusammenhänge, Gleichungen und Logik, integriert werden sollten, um ein besseres Vorlernen zu ermöglichen, ohne einen Modellzusammenbruch zu verursachen. Professor Chen Yuntian betont, dass die Überfrachtung von Modellen mit einer großen Menge an Wissen und Regeln häufig zu Problemen oder Fehlern in aktuellen Modellen des informierten maschinellen Lernens führt.

Ein Rahmenwerk zur Bewertung der Regelwichtigkeit

Um diese Herausforderung zu bewältigen, entwickelten die Forscher ein Framework, das den Wert von Regeln bewertet und optimale Kombinationen ermittelt, welche die Vorhersagekraft von Deep-Learning-Modellen verbessern. Xu Hao, Erstautor und Forscher an der Peking-Universität, erklärt, dass ihr Framework die „Regelwichtigkeit“ berechnet, indem es analysiert, wie sich spezifische Regeln oder Kombinationen auf die Vorhersagegenauigkeit eines Modells auswirken.

Dieser Ansatz zielt darauf ab, den Einfluss von Daten und Wissen auszubalancieren und so die Effizienz und die Schlussfolgerungsfähigkeit von Deep-Learning-Modellen zu verbessern. Das Team geht davon aus, dass die Integration menschlichen Wissens in KI-Modelle deren Realitätsnähe deutlich steigern und sie dadurch in wissenschaftlichen und technischen Bereichen besser anwendbar machen könnte.

Die Forscher testeten ihr Framework, indem sie ein Modell zur Lösung multivariater Gleichungen und ein weiteres zur Vorhersage der Ergebnisse eines Chemieexperiments optimierten. Chen vermutet, dass dieses Framework kurzfristig vor allem in wissenschaftlichen Modellen Anwendung finden wird, in denen die Übereinstimmung mit physikalischen Gesetzen unerlässlich ist, um potenziell negative Folgen zu vermeiden.

Trotz der vielversprechenden Ergebnisse räumt das Team eine Herausforderung ein. Je mehr Daten einem Modell hinzugefügt werden, desto wichtiger werden allgemeine Regeln gegenüber spezifischen lokalen Regeln. Diese Beobachtung bietet jedoch in Bereichen wie Biologie und Chemie, in denen allgemeine Regeln oft fehlen, keine wesentlichen Vorteile.

Auf dem Weg zu autonomen KI-Wissenschaftlern

Das Forschungsteam plant, sein Framework weiterzuentwickeln und KI in die Lage zu versetzen, ihr Wissen und ihre Regeln direkt aus Daten ohne menschliches Eingreifendent. Das ultimative Ziel ist ein geschlossener Regelkreis, der das Modell in einen echten KI-Wissenschaftler verwandelt. Chen sieht diese Entwicklung als einen bedeutenden Schritt hin zur Autonomie von KI, und das Team arbeitet aktiv an einem Open-Source-Plugin-Tool für KI-Entwickler, um diesen Übergang zu erleichtern.