Ricercatori cinesi sul punto di creare “veri scienziati dell’intelligenza artificiale”

I ricercatori cinesi sono sull’orlo di un approccio rivoluzionario allo sviluppo di “scienziati dell’intelligenza artificiale (AI)” in grado di condurre esperimenti e risolvere problemi scientifici. I recenti progressi nei modelli di deep learning hanno rivoluzionato la ricerca scientifica, ma i modelli attuali faticano ancora a imitare accuratamente le interazioni fisiche del mondo reale.

Tuttavia, un team di ricercatori dell’Università di Pechino e dell’Oriental Institute of Technology (EIT) in Cina ha sviluppato un nuovo quadro per l’addestramento di modelli di apprendimento automatico basati su conoscenze pregresse, come leggi della fisica o logica matematica, insieme ai dati.

<i>South China Morning Post </i> riferisce che un simile approccio potrebbe portare alla creazione di "veri scienziati dotati di intelligenza artificiale" in grado di migliorare gli esperimenti e risolvere problemi scientifici. I modelli di deep learning hanno influenzato in modo significativo la ricerca scientifica rivelando relazioni in grandi set di dati. Nonostante questi progressi, i modelli attuali come Sora di OpenAI affrontano limitazioni nel simulare accuratamente determinate interazioni fisiche nel mondo reale.

Ad esempio, Sora, un modello da testo a video, ha guadagnato ampia popolarità grazie alla sua rappresentazione migliorata e realistica degli oggetti. Tuttavia, non può modellare con precisione le interazioni di base, ad esempio la direzione in cui si muove la fiamma delle candele sulla torta natalizia.

I ricercatori suggeriscono di incorporare “conoscenze pregresse”, come le leggi della fisica o la logica matematica, insieme ai dati per addestrare modelli di apprendimento automatico più accurati.

Incorporare la conoscenza umana nei modelli di intelligenza artificiale può aumentarne l’efficacia e la capacità predittiva. Per risolvere questo problema, il team ha sviluppato un quadro per valutare il valore della conoscenza pregressa e determinarne l'impatto sull'accuratezza del modello. Il loro quadro mira a valutare il valore della conoscenza utilizzando regole derivate, tenendo conto di fattori come il volume dei dati e l’intervallo di valutazione. Conducendo esperimenti quantitativi, i ricercatori cercano di chiarire la complessa relazione tra dati e conoscenza pregressa, compresi gli effetti di dipendenza, sinergia e sostituzione.

Questo sistema di diagnostica del modello può essere applicato a varie architetture di rete, fornendo una comprensione completa del ruolo della conoscenza pregressa nei modelli di deep learning.

I ricercatori hanno testato la loro struttura su modelli per risolvere equazioni multidimensionali e prevedere i risultati di esperimenti chimici. Hanno scoperto che l’integrazione delle conoscenze pregresse ha migliorato notevolmente le prestazioni di questi modelli, soprattutto nei campi scientifici in cui la coerenza con le leggi fisiche è fondamentale per evitare esiti potenzialmente catastrofici. A lungo termine, il team mira a sviluppare modelli di intelligenza artificiale in grado di identificare e applicare in modo indipendente le conoscenze rilevanti senza l’intervento umano.

Tuttavia, riconoscono che con l’aumento della quantità di dati nel modello, potrebbero sorgere problemi come il predominio di regole generali su specifiche regole locali, specialmente in campi come la biologia e la chimica, dove potrebbero mancare regole generali.

Leggi anche:

•  Il veicolo corazzato Cockerill iX ha ricevuto l'intelligenza artificiale per un combattimento efficace contro i droni
• Cos'è l'AMD XDNA? L'architettura che alimenta l'intelligenza artificiale sui processori Ryzen