Кинески истражувачи на работ да создадат „вистински научници за вештачка интелигенција“

Кинеските истражувачи се на работ на револуционерен пристап за развој на „научници за вештачка интелигенција (ВИ)“ способни да спроведуваат експерименти и да решаваат научни проблеми. Неодамнешниот напредок во моделите за длабоко учење направи револуција во научното истражување, но сегашните модели сè уште се борат да ги имитираат физичките интеракции во реалниот свет.

Сепак, тим од истражувачи од Универзитетот во Пекинг и Ориенталниот институт за технологија (EIT) во Кина развија нова рамка за обука на модели за машинско учење врз основа на претходно знаење, како што се законите на физиката или математичката логика, заедно со податоците.

Јужна Кина утро пост известува дека таквиот пристап може да доведе до создавање на „вистински научници со вештачка интелигенција“ кои можат да ги подобрат експериментите и да решаваат научни проблеми. Моделите за длабоко учење имаат значително влијание врз научните истражувања со откривање на врски во големи збирки на податоци. И покрај овие достигнувања, сегашните модели како што е Sora на OpenAI се соочуваат со ограничувања во прецизното симулирање на одредени физички интеракции во реалниот свет.

На пример, Sora, моделот текст-во-видео, се здоби со голема популарност поради подобрената, реална претстава на предметите. Сепак, не може точно да ги моделира основните интеракции, на пример, насоката во која се движи пламенот на свеќите на празничната торта.

Истражувачите предлагаат да се вградат „претходно знаење“, како што се законите на физиката или математичката логика, заедно со податоци за да се обучат попрецизни модели за машинско учење.

Вградувањето на човечкото знаење во моделите со вештачка интелигенција може да ја зголеми нивната ефикасност и способност за предвидување. За да се реши овој проблем, тимот разви рамка за проценка на вредноста на претходното знаење и одредување на неговото влијание врз точноста на моделот. Нивната рамка има за цел да ја оцени вредноста на знаењето користејќи изведени правила, земајќи ги предвид факторите како што се обемот на податоци и опсегот на евалуација. Со спроведување на квантитативни експерименти, истражувачите се обидуваат да ја разјаснат сложената врска помеѓу податоците и претходното знаење, вклучувајќи ја зависноста, синергијата и ефектите на супституција.

Овој модел-дијагностички систем може да се примени на различни мрежни архитектури, обезбедувајќи сеопфатно разбирање на улогата на претходното знаење во моделите за длабоко учење.

Истражувачите ја тестираа својата рамка на модели за решавање на повеќедимензионални равенки и предвидување на резултатите од хемиските експерименти. Тие откриле дека инкорпорирањето на претходното знаење во голема мера ги подобрило перформансите на овие модели, особено во научните области каде што усогласеноста со физичките закони е од клучно значење за избегнување на потенцијално катастрофални исходи. На долг рок, тимот има за цел да развие модели на вештачка интелигенција кои можат самостојно да идентификуваат и применуваат релевантно знаење без човечка интервенција.

Сепак, тие признаваат дека како што се зголемува количината на податоци во моделот, може да се појават проблеми како што е доминацијата на општите правила над специфичните локални правила, особено во областите како што се биологијата и хемијата, каде што може да недостасуваат општи правила.

Прочитајте исто така:

•  Оклопното возило Cockerill iX доби вештачка интелигенција за ефикасна борба против дронови
• Што е AMD XDNA? Архитектура што ја напојува вештачката интелигенција на Ryzen процесорите