Қытай зерттеушілері «нағыз AI ғалымдарын» құру алдында

Қытайлық зерттеушілер эксперименттер жүргізуге және ғылыми мәселелерді шешуге қабілетті «жасанды интеллект (AI) ғалымдарын» әзірлеуге жаңа көзқарастың алдында тұр. Терең оқыту үлгілеріндегі соңғы жетістіктер ғылыми зерттеулерде төңкеріс жасады, бірақ қазіргі модельдер әлі де нақты әлемдегі физикалық өзара әрекеттесуді дәлме-дәл еліктеу үшін күресуде.

Дегенмен, Пекин университеті мен Қытайдағы Шығыс технологиялық институтының (EIT) зерттеушілер тобы деректермен қатар физика заңдары немесе математикалық логика сияқты алдыңғы білімдерге негізделген машиналық оқыту үлгілерін оқытудың жаңа құрылымын әзірледі.

Оңтүстік Қытайдағы таңертеңгілік пост мұндай тәсіл эксперименттерді жетілдіре алатын және ғылыми мәселелерді шеше алатын «жасанды интеллекті бар нағыз ғалымдарды» құруға әкелуі мүмкін деп хабарлайды. Терең оқыту үлгілері үлкен деректер жиынындағы қатынастарды ашу арқылы ғылыми зерттеулерге айтарлықтай әсер етті. Осы жетістіктерге қарамастан, OpenAI-дің Sora сияқты қазіргі модельдері нақты әлемдегі белгілі бір физикалық өзара әрекеттесулерді дәл модельдеуде шектеулерге тап болады.

Мысалы, Sora мәтінді бейнеге көшіру моделі объектілердің жақсартылған, шынайы бейнеленуінің арқасында кең танымалдыққа ие болды. Дегенмен, ол негізгі өзара әрекеттесулерді, мысалы, мерекелік торттағы шамдардың жалыны қозғалатын бағытты дәл модельдей алмайды.

Зерттеушілер физика заңдары немесе математикалық логика сияқты «алдыңғы білімді» машиналық оқыту үлгілерін дәлірек үйрету үшін деректермен бірге қосуды ұсынады.

AI үлгілеріне адам білімін енгізу олардың тиімділігі мен болжау қабілетін арттырады. Бұл мәселені шешу үшін топ алдыңғы білімнің құндылығын бағалау және оның үлгі дәлдігіне әсерін анықтау үшін негіз әзірледі. Олардың құрылымы деректер көлемі мен бағалау ауқымы сияқты факторларды ескере отырып, алынған ережелерді пайдалана отырып, білімнің құндылығын бағалауға бағытталған. Сандық эксперименттер жүргізу арқылы зерттеушілер тәуелділік, синергия және алмастыру әсерлерін қоса алғанда, деректер мен бұрынғы білім арасындағы күрделі байланысты түсіндіруге тырысады.

Бұл модель-диагностикалық жүйе терең оқыту үлгілеріндегі алдыңғы білімнің рөлін жан-жақты түсінуді қамтамасыз ететін әртүрлі желі архитектураларында қолданылуы мүмкін.

Зерттеушілер көпөлшемді теңдеулерді шешуге және химиялық эксперименттердің нәтижелерін болжауға арналған модельдерде өз құрылымын сынады. Олар алдын ала білімді қосу бұл үлгілердің өнімділігін айтарлықтай жақсартатынын анықтады, әсіресе физикалық заңдарға сәйкестік ықтимал апатты нәтижелерді болдырмау үшін маңызды болып табылатын ғылыми салаларда. Ұзақ мерзімді перспективада топ адамның араласуынсыз тиісті білімді өз бетінше анықтап, қолдана алатын AI үлгілерін әзірлеуді мақсат етеді.

Дегенмен, олар модельдегі деректер көлемі артқан сайын, жалпы ережелердің нақты жергілікті ережелерден басым болуы сияқты мәселелер туындауы мүмкін екенін мойындайды, әсіресе жалпы ережелер жетіспеуі мүмкін биология және химия сияқты салаларда.

Сондай-ақ оқыңыз:

•  Cockerill iX броньды көлігі дрондармен тиімді күресу үшін AI алды
• AMD XDNA дегеніміз не? Ryzen процессорларында AI-ді қуаттандыратын архитектура