Ricercatori cinesi fanno un passo avanti nella creazione di 'Scienziati AI Reali'

Recentemente, ricercatori cinesi dell'Università di Pechino e dell'Istituto di Tecnologia Orientale (EIT) hanno presentato un quadro rivoluzionario progettato per addestrare modelli di apprendimento automatico con conoscenze pregresse, una deviazione dall'approccio convenzionale basato solo sui dati. I ricercatori sottolineano l'impatto trasformativo dei modelli di apprendimento profondo sulla ricerca scientifica, sottolineando la loro capacità di estrarre relazioni significative da vasti set di dati. Il quadro affronta i limiti dei modelli esistenti, come Sora di OpenAI, che fatica a simulare con precisione alcune interazioni del mondo reale a causa della mancanza di comprensione delle leggi fisiche come la gravità.

I modelli di apprendimento profondo, rinomati per aver rivoluzionato la ricerca scientifica, si affidano principalmente a dati estesi per l'addestramento piuttosto che incorporare conoscenze pregresse come leggi fisiche o logica matematica. Tuttavia, ricercatori dell'Università di Pechino e dell'Istituto di Tecnologia Orientale propongono un cambiamento di paradigma. Il team suggerisce che combinare i dati con le conoscenze pregresse durante l'addestramento potrebbe risultare in modelli di apprendimento automatico più accurati e informati.

La sfida risiede nel determinare quali aspetti delle conoscenze pregresse, incluse le relazioni funzionali, le equazioni e la logica, dovrebbero essere integrati per facilitare un pre-apprendimento migliore senza causare il collasso del modello. Il professore Chen Yuntian sottolinea che inondare i modelli con un alto volume di conoscenze e regole porta spesso a lotte o fallimenti nei modelli di apprendimento automatico informati attuali.

Un quadro per valutare l'importanza delle regole

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

Questo approccio mira a bilanciare l'influenza dei dati e della conoscenza, migliorando l'efficienza e le capacità di inferenza dei modelli di deep learning. Il team prevede che l'integrazione della conoscenza umana nei modelli di IA potrebbe migliorarne significativamente la capacità di riflettere la realtà, rendendoli più applicabili nei domini scientifici e ingegneristici.

I ricercatori hanno testato il loro framework ottimizzando un modello per la risoluzione di equazioni multivariate e un altro per prevedere i risultati di un esperimento di chimica. 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 vitale per evitare potenziali conseguenze negative.

Nonostante i risultati promettenti, il team riconosce una sfida. Man mano che vengono aggiunti più dati a un modello, le regole generali diventano più significative rispetto alle regole locali specifiche. Tuttavia, questa osservazione non apporta benefici significativi in campi come la biologia e la chimica, dove le regole generali sono spesso carenti.

Verso scienziati AI autonomi

Guardando al futuro, il team di ricerca aspira a portare il proprio framework un passo oltre, consentendo all'IA di identificare le proprie conoscenze e regole direttamente dai dati senza intervento umano. L'obiettivo finale è creare un ciclo chiuso, trasformando il modello in un vero scienziato AI. Chen vede 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.