Chinesische Forscher durchbrechen die Schöpfung von „echten KI-Wissenschaftlern“
- Chinesische Forscher haben ein bahnbrechendes KI-Framework entwickelt, das Vorwissen mit Daten kombiniert, um genauere und fundiertere Machine-Learning-Modelle zu erstellen.
- Der innovative Ansatz zielt darauf ab, KI-Modelle in „echte KI-Wissenschaftler“ zu verwandeln, die in der Lage sind, Experimente zu verbessern und wissenschaftliche Probleme zu lösen, wodurch die Grenzen bestehender Modelle überwunden werden.
- Die kurzfristigen Anwendungen des Teams umfassen die Optimierung von Modellen zur Lösung von Gleichungen und zur Vorhersage von Ergebnissen chemischer Experimente; das langfristige Ziel besteht darin, KI die Fähigkeit zu geben, ihr eigenes Wissen ohne menschliches Eingreifen zu identifizieren.
Kürzlich haben chinesische Forscher der Peking-Universität und des Eastern Institute of Technology (EIT) ein bahnbrechendes Framework vorgestellt, das darauf ausgelegt ist, Machine-Learning-Modelle mit Vorwissen zu trainieren, eine Abkehr vom herkömmlichen datenbasierten Ansatz. Die Forscher heben die transformative Wirkung von Deep-Learning-Modellen auf die wissenschaftliche Forschung hervor und betonen ihre Fähigkeit, bedeutungsvolle Beziehungen aus großen Datensätzen zu extrahieren. Das Framework adressiert die Grenzen bestehender Modelle, wie Sora von OpenAI, das Schwierigkeiten hat, bestimmte reale Interaktionen aufgrund eines Mangels an Verständnis physikalischer Gesetze wie der Schwerkraft genau zu simulieren.
Deep-Learning-Modelle, die für ihre revolutionäre Wirkung auf die wissenschaftliche Forschung bekannt sind, verlassen sich primär auf umfangreiche Daten für das Training, anstatt Vorwissen wie physikalische Gesetze oder mathematische Logik einzubeziehen. Forscher der Peking-Universität und des Eastern Institute of Technology schlagen jedoch einen Paradigmenwechsel vor. Das Team schlägt vor, dass die Kombination von Daten mit Vorwissen während des Trainings zu genaueren und fundierteren Machine-Learning-Modellen führen könnte.
Die Herausforderung besteht darin, zu bestimmen, welche Aspekte des Vorwissens, einschließlich funktionaler Beziehungen, Gleichungen und Logik, integriert werden sollten, um ein besseres Vorlernen zu ermöglichen, ohne einen Modellzusammenbruch zu verursachen. Professor Chen Yuntian betont, dass das Überfluten von Modellen mit einer hohen Menge an Wissen und Regeln oft zu Schwierigkeiten oder Misserfolgen bei aktuellen informierten Machine-Learning-Modellen führt.
Ein Framework zur Bewertung der Regelwichtigkeit
Um diese Herausforderung zu überwinden, haben die Forscher ein Framework entwickelt, das den Wert von Regeln bewertet und optimale Kombinationen bestimmt, die die Vorhersagefähigkeit 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 spezifische Regeln oder Kombinationen die Vorhersagegenauigkeit eines Modells beeinflussen.
Dieser Ansatz zielt darauf ab, den Einfluss von Daten und Wissen auszugleichen und die Effizienz sowie die Inferenzfähigkeiten von Deep-Learning-Modellen zu verbessern. Das Team ist der Überzeugung, dass die Einbettung menschlichen Wissens in KI-Modelle deren Realitätsnähe erheblich steigern und sie so in wissenschaftlichen und ingenieurwissenschaftlichen Domänen anwendbarer 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 schlägt vor, dass dieses Framework kurzfristig die nützlichsten Anwendungen in wissenschaftlichen Modellen finden wird, bei denen die Konsistenz mit physikalischen Regeln von entscheidender Bedeutung ist, um potenzielle negative Folgen zu vermeiden.
Trotz vielversprechender Ergebnisse erkennt das Team eine Herausforderung an. Wenn einem Modell mehr Daten hinzugefügt werden, werden allgemeine Regeln wichtiger als spezifische lokale Regeln. Diese Beobachtung bietet jedoch in Bereichen wie Biologie und Chemie, in denen allgemeine Regeln oft fehlen, keine signifikanten Vorteile.
Auf dem Weg zu autonomen KI-Wissenschaftlern
Mit Blick auf die Zukunft strebt das Forschungsteam an, sein Framework einen Schritt weiterzuentwickeln, um KI die Fähigkeit zu geben, ihr eigenes Wissen und ihre Regeln direkt aus den Daten ohne menschliches Eingreifen zu identifizieren. Das ultimative Ziel ist es, einen geschlossenen Kreislauf zu schaffen und das Modell in einen echten KI-Wissenschaftler zu verwandeln. Chen betrachtet diese Entwicklung als einen bedeutenden Schritt hin zur Autonomie in der KI, und das Team arbeitet aktiv an einem Open-Source-Plugin-Tool für KI-Entwickler, um diesen Übergang zu erleichtern.
Lesen Sie nicht nur Krypto-Nachrichten. Verstehen Sie sie. Abonnieren Sie unseren Newsletter. Es ist kostenlos.
Haftungsausschluss. Die bereitgestellten Informationen stellen keine Anlageberatung dar. Cryptopolitan.com Wir übernehmen keine Haftung für Investitionen, die auf den auf dieser Seite bereitgestellten Informationen basieren. Wir empfehlen dringend, vor jeglichen Anlageentscheidungen eine unabhängige Recherche durchzuführen und/oder einen qualifizierten Fachmann zu konsultieren.
Brenda Kanana
Brenda verfügt über mehr als 4 Jahre Erfahrung mit Spezialisierung auf Kryptowährungen, künstliche Intelligenz und aufkommende Technologien. Sie war bei Zycrypto, Blockchain Reporter und The Coin Republic tätig und hat nun Cryptopolitan zu ihrer Heimat gemacht. Ihr Soziologiestudium an der Mombasa Technical University hält sie nah am Puls ihrer Leser.
