AI als onderzoeker – Het AI-systeem vindt geschikte formules voor de ruwe data – zonder de formules vooraf te kennen

Of het nu gaat om de bewegingswet van Kepler, de tijddilatatie van Einstein of het gedrag van gasmoleculen: de nieuw ontwikkelde kunstmatige intelligentie heeft deze wetenschappelijke wetten zelfstandig “herontdekt” en correct geformuleerd. Het Cartesiaanse AI-systeem is gebaseerd op onbewerkte, onbewerkte gegevens en een fysieke achtergrond. Hieruit ontwikkelt het systeem de juiste formules voor de wetten, maar geeft ook aan waar de afwijkingen zitten en waar meer data nodig is.

Of het nu ChatGPT, BARD, Alphafold of een andere AI is: de ontwikkelingssprong in nieuwe AI-systemen is onmiskenbaar. Adaptieve algoritmen en neurale netwerken kunnen niet alleen scripts schrijven, sleutelbeelden of games maken, maar zijn ook al lange tijd nuttig in onderzoek en wetenschap. Ze decoderen eiwitstructuren, diagnosticeren ziekten, vinden wiskundig bewijs of ontwikkelen chemische synthesemethoden.

Het basisprincipe van de wetenschap

Nu is er een AI-systeem dat ook het basisprincipe achter wetenschappelijke ontdekkingen perfectioneert: “Wetenschappers zoeken naar vergelijkingen en wetten die hun experimentele gegevens nauwkeurig beschrijven”, legt Christina Cornelio van IBM Research in New York en collega’s uit. De uitdaging hierbij is enerzijds te identificeren wie zich in de schat aan data bevindt die informatie over regelmaat bevat en deze te onderscheiden van louter “ruis”.

Aan de andere kant is er kennis, intuïtie en wetenschappelijk vernuft nodig om geheel nieuwe verbanden te herkennen op basis van bestaande gegevens en onderliggende kennis en deze te beschrijven met behulp van vergelijkingen. Alleen dit proces leidt tot baanbrekende ontwikkelingen in de wetenschap.

Twee benaderingen combineren: symbolische regressie…

Maar kan kunstmatige intelligentie dat ook? Dit is precies wat Cornelio en haar collega’s wilden weten. Om dit te doen, hebben ze een systeem voor kunstmatige intelligentie ontwikkeld dat twee reeds populaire benaderingen combineert. De eerste is iets dat symbolische regressie wordt genoemd, waarbij de AI de wiskundige bewerkingen selecteert die het beste passen bij gegevens uit een vooraf bepaalde set en daaruit een formule samenstelt. In het eenvoudigste geval kan dit een lijst zijn bestaande uit +, -, x en .

Het AI-systeem genereert vervolgens miljoenen vergelijkingen uit de bouwstenen van de gegeven formules en kijkt welke het beste bij de data past. “Deze symbolische regressiemodellen zijn gemakkelijker te interpreteren dan neurale netwerken en vereisen minder gegevens”, leggen de onderzoekers uit. “Ze vinden het echter moeilijk om te beslissen welke formules bij de gegevens passen en welke ook wetenschappelijk zinvol zijn.”

…en de logische afleiding

Hier komt het tweede onderdeel van een AI-systeem om de hoek kijken: het zogenaamde “denksysteem”. Dit voedde eerder een reeks fundamentele wetenschappelijke stellingen en wetten en kan nu ook elk van de logisch overeenkomende vergelijkingen afleiden. “Hierdoor kan het AI-systeem betekenisvolle modellen maken voor een breed scala aan toepassingen”, zegt Cornelio.

De combinatie van syntax mapping en booleaanse validatie onderscheidt ook een systeem genaamd “AI Descartes” van generatieve AI-systemen zoals ChatGPT. Deze grote taalmodellen zijn voornamelijk gebaseerd op gemeenschappelijke taalpatronen die gebruikelijk zijn in de trainingsgegevens en verlopen niet logisch. Ze slagen dus niet voor veel wiskundige en wetenschappelijke vragen en produceren onzin die plausibel lijkt.

Planetaire banen van Kepler als eerste test

Maar hoe goed is de kunstmatige intelligentie van Descartes? Om dit te testen, gaven de onderzoekers hem drie opdrachten. Gebaseerd op onzuivere gegevens en een reeks algemene natuurkundige principes, moet een AI-systeem drie baanbrekende ontdekkingen in de natuurkunde “herontdekken” en ze beschrijven in de vorm van vergelijkingen zonder ze van tevoren te kennen.

Als eerste probleem moet het AI-systeem de derde wet van Kepler leren, die de banen en omlooptijden van planeten beschrijft. “Het extraheren van deze wet uit experimentele gegevens is een uitdaging, vooral wanneer planeten massa’s hebben van zeer verschillende groottes”, legden de wetenschappers uit. Maar met behulp van zijn denkeenheid was AI Descartes in staat om de fysisch correcte formule te vinden – hij ‘herontdekte’ Kepler’s derde wet van planetaire beweging.

Einstein-tijddilatatie en Langmuir-absorptie

De tweede taak was de tijddilatatie beschreven door de speciale relativiteitstheorie van Albert Einstein. Daarna vertraagt ​​de tijd voor snel bewegende objecten. Hier slaagde het AI-systeem er niet in om de vergelijking van Einstein op te zetten, maar het slaagde erin om de formule te bepalen die het beschreven fenomeen het dichtst benadert, meldt het team. Het systeem erkende daarentegen terecht dat relativistische fysica niet Newtoniaans is, maar hier eerder een rol speelt.

Als derde taak moet het AI-systeem de door chemicus Irving Langmuir ontwikkelde formule vinden voor het adsorberen van gasmoleculen aan oppervlakken. Voor dit doel ontving AI Descartes experimentele gegevens over de adsorptie van methaan op mica en isobutaan op silicaat en de kennis dat vaste stoffen gassen voorzien van “verbindingspunten”. Op basis hiervan kon het AI-systeem een ​​formule ontwikkelen die beschrijft aan hoeveel gasmoleculen een stof zich onder testomstandigheden kan binden.

Pas het begin

Volgens Cornelio en haar collega’s openen AI-systemen zoals Descartes AI nieuwe mogelijkheden om de analyse van wetenschappelijke data te ondersteunen. “Een van de meest opwindende aspecten van ons werk is het vermogen om de wetenschap dramatisch vooruit te helpen”, zegt Cornelio. Als volgende stap is het team van plan om het AI-systeem de mogelijkheid te geven om zelfstandig achtergronden te leren door zelfstandig wetenschappelijke artikelen te lezen en er relevante theorieën uit te halen.

“Tot nu toe hadden we mensen nodig om axioma’s te vertalen in een formele, computerleesbare taal”, legt medeauteur Tyler Josephson van de Universiteit van Maryland uit. “In de toekomst willen we dit deel van het systeem automatiseren om meer gebieden van wetenschap en technologie te dekken.” (Natuurcommunicatie, 2023; doi: 10.1038/s41467-023-37236-y)

Bron: Universiteit van Maryland

17 april 2023

– Nadia Podbrigar