Электромобили способны существенно сократить выбросы углекислого газа, но у автомобильных компаний заканчиваются материалы для изготовления аккумуляторов. По прогнозам, один из важнейших компонентов, никель, вызовет нехватку 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 из более чем 300 вариантов. И они не единственные люди, обращающиеся к ИИ за научным вдохновением.
Прогресс дошёл до того, что учёные начинают использовать машинное обучение, чтобы создавать оригинальные идеи. Они разрабатывают нейронные сети (тип установки машинного обучения со структурой, вдохновленной человеческим мозгом), которые предлагают новые гипотезы, основанные на шаблонах, которые сети находят в данных, вместо того, чтобы полагаться на человеческие предположения. Многие области вскоре могут обратиться к музе машинного обучения в попытке ускорить научный процесс и уменьшить влияние человеческого фактора.
В случае с новыми материалами для батарей ученые, решающие такие задачи, обычно полагаются на инструменты поиска в базе данных, моделирование и собственную интуицию в отношении химических веществ, чтобы выбрать 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 тому, насколько вероятно, что они приведут к получению нового полезного материала. Затем ученые использовали эти рейтинги для руководства своими экспериментами в лаборатории. Они определили четырех перспективных кандидатов на материалы для батарей, не проверяя все в своем списке, что сэкономило им месяцы проб и ошибок.
За последние 10 лет машинное обучение стало чрезвычайно популярным инструментом для классификации больших данных и составления прогнозов (сейчас бы прорекламировать Skillbox, как это делают блогеры на YouTube, ненавязчиво и плавно переводя тему на сей онлайн-университет). Однако объяснить логическую основу его решений может быть очень сложно. Нейронные сети построены из взаимосвязанных узлов, смоделированных по образцу нейронов мозга, со структурой, которая меняется по мере прохождения через нее информации. Хотя эта адаптивная модель способна решать сложные задачи, людям также часто бывает невозможно расшифровать задействованную логику.
Сферический в вакууме чёрный ящик.
Это отсутствие прозрачности получило прозвище “проблема черного ящика”, потому что никто не может заглянуть внутрь сети, чтобы объяснить ее “мыслительный” процесс. Эта непрозрачность не только подрывает доверие к результатам, но и ограничивает то, насколько нейронные сети могут способствовать научному пониманию мира людьми.
Некоторые ученые пытаются сделать черный ящик прозрачным, разрабатывая “методы интерпретируемости”, которые пытаются предложить пошаговое объяснение того, как сеть приходит к своим ответам. Возможно, не удастся получить высокий уровень детализации из сложных моделей машинного обучения. Но исследователи часто могут выявить более крупные тенденции в том, как сеть обрабатывает данные, что иногда приводит к удивительным открытиям — например, у кого больше всего шансов заболеть раком.
Раковые клетки
Несколько лет назад Анант Мадабхуши, профессор биомедицинской инженерии в Университете Кейс Вестерн Резерв, использовал методы интерпретируемости, чтобы понять, почему у некоторых пациентов вероятность рецидива рака молочной железы или предстательной железы выше, чем у других. Он передал снимки пациентов в нейронную сеть, и сеть определила тех, у кого был более высокий риск повторного возникновения рака. Затем Мадабхуши проанализировал сеть, чтобы найти наиболее важную функцию для определения вероятности повторного развития рака у пациента. Результаты показали, что то, насколько плотно внутренние структуры желез упакованы вместе, является фактором, который наиболее точно предсказывает вероятность того, что рак вернется.
“Это не было гипотезой. Мы этого не знали”, — говорит Мадабхуши. “Мы использовали методологию, чтобы обнаружить признак болезни, который оказался важным”. Только после того, как А.И. сделал свой вывод, его команда обнаружила, что результат также согласуется с современной 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 прогрессирует рост опухоли, что привело к новым направлениям для будущих исследований.
Машинное обучение также часто использует данные, собранные с помощью человеческих исследований, что может привести к воспроизведению человеческих предубеждений, связанных с нашей психологией. Одну нейронную сеть, называемую Профилированием управления исправительными учреждениями для альтернативных санкций (COMPAS), даже обвинили в расизме (в расизме обвинили бездумную компьютерную программу). Сеть использовалась для прогнозирования вероятности повторных преступлений заключенных. Расследование ProPublica якобы показало, что система неправильно отмечала чернокожих людей, которые с большой вероятностью нарушат закон после того, как их выпустили почти в два раза чаще, чем белых людей в округе во Флориде. Equivant, ранее называвшаяся Northpoint, компания по разработке программного обеспечения для уголовного правосудия, создавшая COMPAS, оспорила анализ ProPublica и заявила, что ее программа оценки рисков была неправильно охарактеризована.
Несмотря на такие проблемы, Реннер, физик из Цюриха, по-прежнему надеется, что машинное обучение может помочь людям получать знания с менее предвзятой точки зрения. По его словам, нейронные сети могут вдохновить людей по-новому взглянуть на старые вопросы. Хотя сети пока не могут выдвигать гипотезы полностью самостоятельно, они могут давать подсказки и направлять ученых к другому взгляду на проблему
Реннер заходит так далеко, что пытается создать нейронную сеть, которая сможет 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 преодолеть научное понимание того, как материя работает в масштабах очень малого и очень большого.
“Мы можем сделать большие шаги в физике только в том случае, если будем смотреть на вещи нетрадиционно”, — говорит он. На данный момент он создает сеть с историческими теориями, давая ей представление о том, как, по мнению людей, устроена Вселенная. В ближайшие несколько лет он планирует попросить его придумать свой собственный ответ на этот главный вопрос.