Ricercatori cinesi fanno un passo avanti nella creazione di "veri scienziati dell'intelligenza artificiale"

Di recente, ricercatori cinesi dell'Università di Pechino e dell'Eastern Institute of Technology (EIT) hanno presentato un framework innovativo progettato per addestrare modelli di apprendimento automatico con conoscenze pregresse, un'alternativa all'approccio convenzionale basato solo sui dati. I ricercatori sottolineano l'impatto trasformativo dei modelli di apprendimento profondo sulla ricerca scientifica, sottolineando la loro capacità ditracrelazioni significative da vasti set di dati. Il framework affronta i limiti dei modelli esistenti, come Sora di OpenAI, che fatica a simulare accuratamente alcune interazioni del mondo reale a causa della scarsa comprensione di leggi fisiche come la gravità.

I modelli di deep learning, noti per aver rivoluzionato la ricerca scientifica, si basano principalmente su dati estesi per l'addestramento, anziché incorporare conoscenze pregresse come leggi fisiche o logicamatic. Tuttavia, i ricercatori dell'Università di Pechino e dell'Eastern Institute of Technology propongono un cambio di paradigma. Il team suggerisce che combinare i dati con le conoscenze pregresse durante l'addestramento potrebbe portare a modelli di machine learning più accurati e informati.

La sfida sta nel determinare quali aspetti delle conoscenze pregresse, tra cui relazioni funzionali, equazioni e logica, debbano essere integrati per facilitare un migliore pre-apprendimento senza causare il collasso del modello. Il professor Chen Yuntian sottolinea che inondare i modelli con un elevato volume di conoscenze e regole porta spesso a difficoltà o fallimenti negli attuali modelli di apprendimento automatico informato.

Un quadro per valutare l'importanza delle regole

Per superare questa sfida, i ricercatori hanno sviluppato un framework che valuta il valore delle regole e determina le combinazioni ottimali che migliorano la capacità predittiva dei modelli di deep learning. Xu Hao, primo autore e ricercatore presso l'Università di Pechino, spiega che il loro framework calcola "l'importanza delle regole" analizzando come regole o combinazioni specifiche influenzino l'accuratezza predittiva di un modello.

Questo approccio mira a bilanciare l'influenza di dati e conoscenza, migliorando l'efficienza e le capacità inferenziali dei modelli di deep learning. Il team prevede che l'integrazione della conoscenza umana nei modelli di intelligenza artificiale potrebbe migliorare significativamente la loro capacità di riflettere il mondo reale, rendendoli più applicabili in ambito scientifico e ingegneristico.

I ricercatori hanno testato il loro framework ottimizzando un modello per la risoluzione di equazioni multivariate e un altro per la previsione dei risultati di un esperimento chimico. Chen suggerisce che, a breve termine, questo framework troverà le sue applicazioni più utili nei modelli scientifici in cui la coerenza con le regole della fisica è fondamentale per evitare potenziali conseguenze negative.

Nonostante i risultati promettenti, il team riconosce una sfida. Man mano che si aggiungono più dati a un modello, le regole generali diventano più significative delle regole locali specifiche. Tuttavia, questa osservazione non offre vantaggi significativi in ​​campi come la biologia e la chimica, dove le regole generali sono spesso carenti.

Verso scienziati autonomi con intelligenza artificiale

Guardando al futuro, il team di ricerca aspira a portare il suo framework a un livello superiore, consentendo all'IA didentle proprie conoscenze e regole direttamente dai dati, senza intervento umano. L'obiettivo finale è creare un ciclo chiuso, trasformando il modello in un vero e proprio scienziato dell'IA. Chen immagina questo sviluppo come un passo significativo verso l'autonomia nell'IA e il team sta lavorando attivamente a uno strumento plugin open source per gli sviluppatori di IA per facilitare questa transizione.