Pesquisadores chineses fazem descoberta inovadora ao criar 'cientistas de IA de verdade'

Recentemente, pesquisadores chineses da Universidade de Pequim e do Instituto de Tecnologia do Leste (EIT) revelaram uma estrutura inovadora projetada para treinar modelos de aprendizado de máquina com conhecimento prévio, uma abordagem que se distancia do convencional, baseado apenas em dados. Os pesquisadores destacam o impacto transformador dos modelos de aprendizado profundo na pesquisa científica, enfatizando sua capacidade detracrelações significativas de vastos conjuntos de dados. A estrutura aborda as limitações de modelos existentes, como o Sora da OpenAI, que tem dificuldades em simular com precisão certas interações do mundo real devido à falta de compreensão de leis físicas como a gravidade.

Os modelos de aprendizado profundo, renomados por revolucionar a pesquisa científica, dependem principalmente de grandes volumes de dados para treinamento, em vez de incorporar conhecimento prévio, como leis da física ou lógicamatic. No entanto, pesquisadores da Universidade de Pequim e do Instituto de Tecnologia do Leste propõem uma mudança de paradigma. A equipe sugere que a combinação de dados com conhecimento prévio durante o treinamento pode resultar em modelos de aprendizado de máquina mais precisos e informados.

O desafio reside em determinar quais aspectos do conhecimento prévio, incluindo relações funcionais, equações e lógica, devem ser integrados para facilitar um melhor pré-aprendizado sem causar o colapso do modelo. O professor Chen Yuntian enfatiza que inundar os modelos com um grande volume de conhecimento e regras frequentemente leva a dificuldades ou falhas nos modelos de aprendizado de máquina informados atualmente disponíveis.

Uma estrutura para avaliar a importância das regras.

Para superar esse desafio, os pesquisadores desenvolveram uma estrutura que avalia o valor das regras e determina combinações ideais que aprimoram a capacidade preditiva de modelos de aprendizado profundo. Xu Hao, primeiro autor e pesquisador da Universidade de Pequim, explica que sua estrutura calcula a “importância da regra” analisando como regras ou combinações específicas afetam a precisão preditiva de um modelo.

Essa abordagem visa equilibrar a influência de dados e conhecimento, aprimorando a eficiência e as capacidades de inferência dos modelos de aprendizado profundo. A equipe prevê que a incorporação do conhecimento humano em modelos de IA poderá melhorar significativamente sua capacidade de refletir o mundo real, tornando-os mais aplicáveis ​​em domínios científicos e de engenharia.

Os pesquisadores testaram sua estrutura otimizando um modelo para resolver equações multivariadas e outro para prever os resultados de um experimento químico. Chen sugere que, a curto prazo, essa estrutura encontrará suas aplicações mais úteis em modelos científicos onde a consistência com as regras da física é vital para evitar possíveis consequências adversas.

Apesar dos resultados promissores, a equipe reconhece um desafio. À medida que mais dados são adicionados a um modelo, as regras gerais tornam-se mais significativas do que as regras locais específicas. No entanto, essa observação não traz benefícios significativos em áreas como biologia e química, onde as regras gerais são frequentemente escassas.

Em direção a cientistas de IA autônomos

Olhando para o futuro, a equipe de pesquisa aspira levar sua estrutura um passo adiante, permitindo que a IAdentseu conhecimento e regras diretamente a partir de dados, sem intervenção humana. O objetivo final é criar um ciclo fechado, transformando o modelo em um verdadeiro cientista de IA. Chen vislumbra esse desenvolvimento como um passo significativo rumo à autonomia da IA, e a equipe está trabalhando ativamente em uma ferramenta de código aberto para desenvolvedores de IA, a fim de facilitar essa transição.