Алгоритмы машинного обучения могут подсказывать людям новые эксперименты и теории
Электромобили способны существенно снизить выбросы углекислого газа, однако у автомобильных компаний заканчиваются материалы для производства батарей. Один из важнейших компонентов, никель, по прогнозам, может вызвать дефицит поставок уже в конце этого года. Недавно ученые обнаружили четыре новых материала, которые потенциально могут помочь - и что может быть еще более интригующим, так это то, как они нашли эти материалы: исследователи полагались на искусственный интеллект, чтобы выбрать полезные химические вещества из списка, состоящего из более чем 300 вариантов. И это не единственные исследователи, обращающиеся к искусственному интеллекту за научным вдохновением.
Создание гипотез долгое время было чисто человеческой областью. Однако теперь ученые начинают обращаться к машинному обучению для получения оригинальных идей. Они разрабатывают нейронные сети (тип машинного обучения со структурой, вдохновленной человеческим мозгом), которые предлагают новые гипотезы на основе закономерностей, найденных сетью в данных, вместо того чтобы полагаться на человеческие суждения. Вскоре многие области могут обратиться к музам машинного обучения в попытке ускорить научный процесс и уменьшить человеческие предубеждения.
В случае с новыми материалами для батарей ученые, решающие подобные задачи, обычно полагались на инструменты поиска в базах данных, моделирование и собственную интуицию в отношении химических веществ, чтобы отобрать полезные соединения. Вместо этого команда из Ливерпульского университета в Англии использовала машинное обучение для оптимизации творческого процесса. Исследователи разработали нейронную сеть, которая ранжировала химические комбинации по вероятности получения нового полезного материала. Затем ученые использовали эти рейтинги для проведения экспериментов в лаборатории. Они определили четырех перспективных кандидатов в материалы для батарей, не испытывая все, что было в их списке, что сэкономило им месяцы проб и ошибок.
"Это отличный инструмент", - говорит Андрей Василенко, научный сотрудник Ливерпульского университета и соавтор исследования по поиску материалов для батарей, которое было опубликовано в журнале Nature Communications в прошлом месяце. Процесс A.I. помогает определить химические комбинации, на которые стоит обратить внимание, добавляет он, поэтому "мы можем быстрее охватить гораздо большее химическое пространство".
Открытие новых материалов - не единственная область, где машинное обучение может внести свой вклад в науку. Исследователи также применяют нейронные сети для решения более важных технических и теоретических вопросов. Ренато Реннер, физик из Института теоретической физики в Цюрихе, надеется когда-нибудь использовать машинное обучение для разработки единой теории устройства Вселенной. Но прежде чем A.I.. сможет раскрыть истинную природу реальности, исследователи должны решить печально известный сложный вопрос о том, как нейронные сети принимают свои решения.
Проникновение в сознание машинного обучения
За последние 10 лет машинное обучение стало чрезвычайно популярным инструментом для классификации больших данных и составления прогнозов. Однако объяснить логическую основу его решений может быть очень сложно. Нейронные сети строятся из взаимосвязанных узлов, по образцу нейронов мозга, со структурой, которая меняется по мере прохождения через нее информации. Хотя эта адаптивная модель способна решать сложные проблемы, человеку зачастую невозможно расшифровать логику, заложенную в ней.
Этот недостаток прозрачности прозвали "проблемой черного ящика", поскольку никто не может заглянуть внутрь сети, чтобы объяснить ее "мыслительный" процесс. Такая непрозрачность не только подрывает доверие к результатам, но и ограничивает возможности нейронных сетей в плане научного понимания мира.
Некоторые ученые пытаются сделать "черный ящик" прозрачным, разрабатывая "методы интерпретации", которые пытаются предложить пошаговое объяснение того, как сеть приходит к своим ответам. Может оказаться невозможным получить высокий уровень детализации от сложных моделей машинного обучения. Но исследователи часто могут выявить более значительные тенденции в том, как сеть обрабатывает данные, что иногда приводит к неожиданным открытиям - например, к тому, кто наиболее склонен к развитию рака.
Несколько лет назад Анант Мадабхуши, профессор кафедры биомедицинской инженерии Западного резервного университета Кейза, использовал методы интерпретации, чтобы понять, почему у одних пациентов вероятность рецидива рака груди или простаты выше, чем у других. Он подал снимки пациентов в нейронную сеть, и сеть определила тех, у кого риск повторного возникновения рака был выше. Затем Мадабхуши проанализировал сеть, чтобы найти наиболее важную характеристику для определения вероятности повторного развития рака у пациента. Результаты показали, что наиболее точный прогноз вероятности повторного развития рака дает то, насколько плотно упакованы внутренние структуры железы.
"Это не было гипотезой. Мы этого не знали", - говорит Мадабхуши. "Мы использовали методику, чтобы обнаружить атрибут болезни, который оказался важным". Только после того, как искусственный интеллект сделал свое заключение, его команда обнаружила, что результат также согласуется с текущей научной литературой о патологии. Нейронная сеть пока не может объяснить, почему плотность структуры желез способствует развитию рака, но она все же помогла Мадабхуши и его коллегам лучше понять, как происходит рост опухоли, что привело к новым направлениям будущих исследований.
Когда ИИ бьется о стену
Хотя заглядывание в "черный ящик" может помочь людям строить новые научные гипотезы, "нам предстоит еще долгий путь", - говорит Сумик Саркар, доцент машиностроения в Университете штата Айова. Методы интерпретации могут намекнуть на корреляции, которые появляются в процессе машинного обучения, но они не могут доказать причинно-следственные связи или предложить объяснения. Они все еще полагаются на экспертов в предметной области, чтобы извлечь смысл из сети.
Машинное обучение также часто использует данные, собранные с помощью человеческих процессов, что может привести к воспроизведению человеческих предубеждений. Одну нейронную сеть под названием Correctional Offender Management Profiling for Alternative Sanctions (COMPAS) даже обвинили в расизме. Эта сеть использовалась для прогнозирования вероятности повторного совершения преступлений лицами, находящимися в заключении. Расследование, проведенное ProPublica, якобы показало, что в одном из округов штата Флорида система ошибочно отмечала чернокожих людей как склонных к нарушению закона после освобождения почти в два раза чаще, чем белых. Equivant, ранее называвшаяся Northpoint, компания, занимающаяся программным обеспечением в сфере уголовного правосудия, которая создала COMPAS, оспорила результаты анализа ProPublica и заявила, что ее программа оценки рисков была неправильно интерпретирована.
Несмотря на эти проблемы, Реннер, физик из Цюриха, не теряет надежды, что машинное обучение может помочь людям искать знания с менее предвзятой точки зрения. Нейронные сети могут вдохновить людей по-новому взглянуть на старые вопросы, говорит он. Хотя сети пока не могут сами выдвигать гипотезы, они могут давать подсказки и направлять ученых к другому взгляду на проблему.
Реннер заходит так далеко, что пытается разработать нейронную сеть, способную исследовать истинную природу космоса. Физики уже более века не могут примирить две теории Вселенной - квантовую теорию и общую теорию относительности Эйнштейна. Но Реннер надеется, что машинное обучение даст ему свежий взгляд, необходимый для того, чтобы перекинуть мостик между научным пониманием того, как работает материя в масштабах очень малых и очень больших.
"Мы сможем сделать большие шаги в физике, только если будем смотреть на вещи нетрадиционно", - говорит он. Пока что он строит сеть на основе исторических теорий, давая ей понять, как, по мнению людей, устроена Вселенная. В ближайшие несколько лет он планирует попросить ее придумать свой собственный ответ на этот главный вопрос.
--------------------------------------
Автор Robin Blades
Оригинал Scientific Americane