Չինացի հետազոտողները գտնվում են «արհեստական ինտելեկտի (AI) գիտնականներ» մշակելու բեկումնային մոտեցման շեմին, որոնք կարող են փորձեր անցկացնել և լուծել գիտական խնդիրներ: Խորը ուսուցման մոդելների վերջին ձեռքբերումները հեղափոխել են գիտական հետազոտությունները, սակայն ներկայիս մոդելները դեռևս պայքարում են իրական աշխարհի ֆիզիկական փոխազդեցությունները ճշգրիտ ընդօրինակելու համար:
Այնուամենայնիվ, Պեկինի համալսարանի և Չինաստանի Արևելյան տեխնոլոգիական ինստիտուտի (EIT) հետազոտողների թիմը մշակել է նոր շրջանակ՝ մեքենայական ուսուցման մոդելների վերապատրաստման համար՝ հիմնված նախնական գիտելիքների վրա, ինչպիսիք են ֆիզիկայի օրենքները կամ մաթեմատիկական տրամաբանությունը, տվյալների հետ մեկտեղ:
Հարավային Չինաստանի Morning Post հաղորդում է, որ նման մոտեցումը կարող է հանգեցնել «արհեստական ինտելեկտով իրական գիտնականների» ստեղծմանը, ովքեր կարող են բարելավել փորձերը և լուծել գիտական խնդիրները։ Խորը ուսուցման մոդելները զգալիորեն ազդել են գիտական հետազոտությունների վրա՝ բացահայտելով հարաբերությունները մեծ տվյալների հավաքածուներում: Չնայած այս առաջընթացին, ներկայիս մոդելները, ինչպիսին է OpenAI-ի Sora-ն, բախվում են սահմանափակումների՝ իրական աշխարհում որոշակի ֆիզիկական փոխազդեցությունների ճշգրիտ մոդելավորման հարցում:
Օրինակ՝ Sora-ն՝ տեքստից վիդեո մոդելը, լայն ժողովրդականություն է ձեռք բերել՝ շնորհիվ իր բարելավված, իրատեսական օբյեկտների ներկայացման: Այնուամենայնիվ, այն չի կարող ճշգրիտ մոդելավորել հիմնական փոխազդեցությունները, օրինակ, այն ուղղությունը, որով շարժվում է տոնական տորթի մոմերի բոցը:
Հետազոտողները առաջարկում են ներառել «նախնական գիտելիքներ», ինչպիսիք են ֆիզիկայի օրենքները կամ մաթեմատիկական տրամաբանությունը, տվյալների հետ միասին՝ ավելի ճշգրիտ մեքենայական ուսուցման մոդելներ պատրաստելու համար:
Մարդկային գիտելիքների ներդրումը արհեստական ինտելեկտի մոդելներում կարող է մեծացնել դրանց արդյունավետությունը և կանխատեսելու կարողությունը: Այս խնդիրը լուծելու համար թիմը մշակեց նախնական գիտելիքների արժեքը գնահատելու և մոդելի ճշգրտության վրա դրա ազդեցությունը որոշելու շրջանակ: Նրանց շրջանակը նպատակ ունի գնահատել գիտելիքների արժեքը՝ օգտագործելով ստացված կանոնները՝ հաշվի առնելով այնպիսի գործոններ, ինչպիսիք են տվյալների ծավալը և գնահատման տիրույթը: Քանակական փորձեր կատարելով՝ հետազոտողները ձգտում են պարզաբանել տվյալների և նախկին գիտելիքների միջև եղած բարդ կապը, ներառյալ կախվածությունը, սիներգիան և փոխարինող էֆեկտները:
Այս մոդելային-ախտորոշիչ համակարգը կարող է կիրառվել ցանցային տարբեր ճարտարապետություններում՝ ապահովելով խորը ուսուցման մոդելներում նախնական գիտելիքների դերի համապարփակ պատկերացում:
Հետազոտողները փորձարկել են իրենց շրջանակը բազմաչափ հավասարումների լուծման և քիմիական փորձերի արդյունքների կանխատեսման մոդելների վրա: Նրանք պարզեցին, որ նախնական գիտելիքների ընդգրկումը մեծապես բարելավեց այս մոդելների աշխատանքը, հատկապես գիտական ոլորտներում, որտեղ ֆիզիկական օրենքների հետ համապատասխանությունը կարևոր է պոտենցիալ աղետալի արդյունքներից խուսափելու համար: Երկարաժամկետ հեռանկարում թիմը նպատակ ունի զարգացնել AI մոդելներ, որոնք կարող են ինքնուրույն բացահայտել և կիրառել համապատասխան գիտելիքներ՝ առանց մարդու միջամտության:
Այնուամենայնիվ, նրանք ընդունում են, որ մոդելի տվյալների քանակի աճի հետ մեկտեղ կարող են առաջանալ խնդիրներ, ինչպիսիք են ընդհանուր կանոնների գերակայությունը հատուկ տեղական կանոնների նկատմամբ, հատկապես այնպիսի ոլորտներում, ինչպիսիք են կենսաբանությունը և քիմիան, որտեղ ընդհանուր կանոնները կարող են բացակայել:
Կարդացեք նաև.