人工智能新前沿!何为AI for Science?_人工智能_化学家
作者:王琛 (中国科学院打算技能研究所)
监制:中国科普博览
编者按:为展现智能科技动态,科普中国前沿科技项目推出“人工智能”系列文章,一窥人工智能前沿进展,回应各类关怀与好奇。让我们共同探究,欢迎智能时期。
现在“AI for Science(人工智能驱动的科学研究)”已成为环球人工智能新前沿。什么是AI for Science?是如何发挥浸染的?有哪些关键问题?我们来一起探索一下。
什么是AI for Science?
近年来,人工智能(AI)技能发展迅猛。20世纪末,人工智能在手写数字识别方面取得了较高的准确率,并在国际象棋中击败了人类。2017年,围棋人工智能超过了人类职业顶尖水平。
过去五年间,人工智能在图像天生、自动驾驶、谈天机器人、视频天生、音乐天生等领域取得了重大打破。人工智能技能的发展达到了前所未有的高度。
AI机器人棋手和选部下棋
(图片来源:南方日报)
自动驾驶(萝卜快跑)
(图片来源:新华网)
当现代界,科学技能是第生平产力。除了上述领域之外,人们希望能够利用人工智能来驱动科学研究,为科技发展供应帮助,这被称为AI for Science(人工智能驱动的科学研究)。
科学研究是一个多方面的过程,一样平常包括假说的提出、实验的设计、数据的网络与剖析。AI for Science的目标是利用人工智能来增强和加速这个中的每一个阶段,使科学研究变得更加高效。
AI for Science在科学研究中的浸染
(图片来源:参考文献1)
早在20世纪50年代人工智能出身初期,科学家们就试图利用打算机来办理科学问题,这个期间的研究紧张集中在数学和物理学领域,利用打算机进行数值仿照和繁芜打算,这也推动了打算机技能的进步。
20世纪80年代,专家系统开始兴起,专家系统内含有特定领域的专家知识和履历,它可以利用这些知识和履历通过逻辑学进行推理与判断,仿照人类专家去办理特定领域的问题。
随着近20年来机器学习技能的成熟,人工智能不再局限于传统的逻辑推断,而是能够从大量的数据之中挖掘出数据的内在联系,在数学、物理、化学、天文、生物等学科中取得了主要成果。现在AI for Science已经成为环球人工智能新前沿。
人工智能在各个领域的运用
(图片来源:参考文献1)
AI for Science是如何发挥浸染的?
人类科学历史的发展经历了四个阶段,履历科学、理论科学、打算科学、数据科学。
在履历科学阶段,科学发展依赖于对自然征象的不雅观察与总结。例如,16世纪哥白尼通过不雅观察行星运动提出了日心说。
在理论科学阶段,人们不仅总结自然征象的规律,还磋商其背后的科学理论,17世纪牛顿总结出的物体运动的三个基本定律是这一阶段的代表之一。
20世纪,随着打算机的发展,人们进入了打算科学阶段,借助打算机的强大打算能力,人们可以根据物理定律进行建模和仿照,如流体运动仿真和气象预测。
21世纪,大数据技能的兴起推动了数据科学的发展,科学家通过处理与剖析海量的实验数据,从中创造新的科学规律。
AI for Science是一个新兴的科学研究手段,是这四个发展阶段科学研究方法的有机结合。它利用已知的科学规律进行建模,同时又挖掘海量数据的规律,在打算机的强大算力的加持下,进行科学问题的研究。
人工智能(AI)作为打算机学科的一个新兴分支,它在科研领域发挥的浸染与传统的打算机科学不同。打算机最早是为了赞助人类打算而发明的,它打算速率快、准确度高、可以自动化实行,在科研领域产生了主要的影响。
但传统打算机只是代替人类完成繁芜繁琐的打算,而人工智能更加追求“智能”,希望打算机能够代替人类的智能,像人类一样学习、推理与决策。
下面,我们通过一个例子来先容 AI for Science 的详细运用。
AI for Science的运用-机器化学家
最近,中国科学技能大学的研究职员开拓了环球首个集阅读文献、设计实验、自主优化等功能于一体,覆盖化学品开拓全流程的机器化学家平台,它被科研职员形象地称为“机器化学家”。
“机器化学家”在做实验
(图片来源:中国科学技能大学)
在“高熵非贵金属产氧催化剂”材料研究中,机器化学家展现出了AI for Science的极大潜力。为了探求得当的材料,按照以往的方法,科研职员要从29种非贵金属元素中选出5种进行超过55万种配比组合,“试错”研究可能须要1400年。而有了机器化学家的帮助,只须要几周韶光就可以完成。
机器化学家首先从文献数据库中阅读1.6万篇干系论文,总结规律然后挑选出可能知足哀求的材料组合,利用打算机进行仿照打算。它将仿照打算进一步挑选出的材料组合进行自动化实验以验证材料的真实性能。它可以根据预先设定好的流程利用自动化技能自动完成从材料合成到性能测试的全流程实验,并对实验数据进行处理与剖析,终极挑选出得当的材料。
机器化学家的上风在于它将大数据与人工智能相结合,利用人工智能进行人类难以完成的海量文献阅读,并从中获取履历。在获取履历的根本上,机器化学家自主提出可能的方案并进行实验验证,从而代替了先前须要大量人工的试错过程,加速了科学研究的进展。
AI for Science有哪些关键问题?
在AI for Science发展的过程中,它仍旧面临着以下几个关键问题:数据、算法、算力、人才。
数据问题:为了让人工智能能够自主决策,科学家须要供应数据以供学习,如何获取高质量的数据已经成为了提高人工智能能力的瓶颈。特殊是在科研领域,科学家面临的问题都是人类知识的边界,人工智能所能利用的数据比其它领域更为稀少。
在机器化学家的研发中,为了得到足够的数据,研究职员用了3年韶光网络教科书、论文、专利中“沉淀”的化学履历和知识。但这些数据来源繁杂,质量参差不齐,仍旧须要进一步丰富和优化。
算法问题:在人工智能运用于详细的科学领域时,人工智能并不能从零开始依据数据学习到所有的规律,这就须要相应领域的专家依据当前领域已有的规律或履历为人工智能设计对应的算法。不仅须要AI for Science,有时也须要Science for AI,如何进行打算机科学与其它各领域的交叉领悟也是一个主要的问题。
算力问题:人工智能模型的演习以及运用须要大量的算力作为支撑,归根到底人工智能仍旧是打算机技能,打算机的性能会制约人工智能的能力。在机器化学家的演习迭代和运用过程中,须要花费大量算力。因此,为了让人工智能取得广泛运用,高性能打算机的研发是不可或缺的。
人才问题:在AI for Science中,人工智能始终是赞助科研职员进行研究的技能,它尚未发展至可以完备不依赖于人的掌握自行办理所有问题的程度,因此我们须要更多的科研职员参与进来,推动AI for Science的发展。机器化学家正是在一批多学科背景的科研职员的配合尽力、协同攻关下取得了成功。
期待在未来,随着人工智能的发展,AI for Science可以在科学领域产出更多的成果,促进人类的科技进步。
参考文献:
1.Wang, H., Fu, T., Du, Y. et al. Scientific discovery in the age of artificial intelligence. Nature 620, 47–60 (2023).
本文系作者个人观点,不代表本站立场,转载请注明出处!