Китайские исследователи совершили прорыв в создании «настоящих ИИ-ученых»
- Китайские исследователи разработали новаторскую ИИ-систему, которая объединяет предварительные знания с данными для создания более точных и обоснованных моделей машинного обучения.
- Инновационный подход направлен на превращение ИИ-моделей в «настоящих ИИ-учёных», способных улучшать эксперименты и решать научные задачи, преодолевая ограничения существующих систем.
- В краткосрочной перспективе применение команды включает оптимизацию моделей для решения уравнений и прогнозирования результатов химических экспериментов; в долгосрочной — цель состоит в том, чтобы позволить ИИ самостоятельно выявлять свои знания без вмешательства человека.
Недавно китайские исследователи из Пекинского университета и Восточного технологического института (EIT) представили прорывную систему, предназначенную для обучения моделей машинного обучения с использованием предварительных знаний, что является отходом от традиционного подхода, основанного только на данных. Исследователи подчеркивают трансформирующее влияние моделей глубокого обучения на научные исследования, акцентируя их способность извлекать значимые взаимосвязи из огромных массивов данных. Система решает ограничения существующих моделей, таких как Sora от OpenAI, которые испытывают трудности с точной симуляцией некоторых реальных взаимодействий из-за отсутствия понимания физических законов, таких как гравитация.
Модели глубокого обучения, известные тем, что они революционизировали научные исследования, в основном полагаются на обширные данные для обучения, а не на интеграцию предварительных знаний, таких как физические законы или математическая логика. Однако исследователи из Пекинского университета и Восточного технологического института предлагают смену парадигмы. Команда предполагает, что объединение данных с предварительными знаниями во время обучения может привести к созданию более точных и информированных моделей машинного обучения.
Сложность заключается в определении того, какие аспекты предварительных знаний, включая функциональные соотношения, уравнения и логику, следует интегрировать для улучшения предварительного обучения, не вызывая коллапса модели. Профессор Чэнь Юньтянь подчеркивает, что перегрузка моделей большим объемом знаний и правил часто приводит к трудностям или сбоям в текущих моделях обученного машинного обучения.
Система оценки важности правил
Чтобы преодолеть эту проблему, исследователи разработали систему, которая оценивает ценность правил и определяет оптимальные комбинации, повышающие предсказательную способность моделей глубокого обучения. Сюй Хао, первый автор и исследователь из Пекинского университета, объясняет, что их система вычисляет «важность правила», анализируя, как конкретные правила или их комбинации влияют на точность предсказаний модели.
Этот подход направлен на балансировку влияния данных и знаний, повышая эффективность и возможности вывода моделей глубокого обучения. Команда предполагает, что внедрение человеческих знаний в модели ИИ может значительно улучшить их отражение реальности, сделав их более применимыми в научных и инженерных областях.
Исследователи протестировали свою систему, оптимизировав модель для решения многомерных уравнений и другую модель для прогнозирования результатов химического эксперимента. Чэнь предполагает, что в краткосрочной перспективе эта система найдет наиболее полезное применение в научных моделях, где соответствие физическим правилам жизненно важно для предотвращения потенциальных негативных последствий.
Несмотря на многообещающие результаты, команда признает наличие проблемы. По мере добавления большего количества данных в модель общие правила становятся более значимыми, чем специфические локальные правила. Однако это наблюдение не приносит значительной пользы в таких областях, как биология и химия, где общие правила часто отсутствуют.
К автономным ИИ-ученым
Заглядывая в будущее, исследовательская команда стремится продвинуть свою систему еще дальше, позволив ИИ самостоятельно идентифицировать свои знания и правила непосредственно из данных без вмешательства человека. Конечная цель — создать замкнутый цикл, превратив модель в настоящего ИИ-ученого. Чэнь видит в этом развитии значительный шаг к автономии ИИ, и команда активно работает над открытым плагином для разработчиков ИИ, чтобы облегчить этот переход.
Не просто читайте новости о криптовалютах. Понимайте их. Подпишитесь на нашу рассылку. Это бесплатно.
Отказ от ответственности. Предоставленная информация не является торговой рекомендацией. Cryptopolitan.com Мы не несем ответственности за любые инвестиции, сделанные на основе информации, представленной на этой странице. Мы настоятельно рекомендуем проводить независимое исследование и/или проконсультироваться с квалифицированным специалистом перед принятием любых инвестиционных решений.
Бренда Канана
Бренда имеет более 4 лет опыта, специализируясь на криптовалютах, искусственном интеллекте и новых технологиях. Она работала в Zycrypto, Blockchain Reporter, The Coin Republic, а теперь делает Cryptopolitan своим домом. Степень по социологии, полученная в Техническом университете Момбасы, помогает ей оставаться в курсе настроений своих читателей.
