Электромобили способны значительно уменьшить выбросы углерода, но у автоконцернов заканчиваются материалы для производства аккумуляторов. Уже в конце этого года прогнозируется ограничение поставок никеля – одного из важнейших компонентов. В этой ситуации потенциально могут помочь четыре новых материала, недавно открытых учеными. Однако интрига заключается в том, как они были найдены. Для того, чтобы отобрать полезные химические соединения из более чем 300 вариантов, ученые использовали искусственный интеллект. И это не первый случай обращения людей к ИИ за научным вдохновением.
Создание гипотез всегда было исключительно человеческой привилегией. Однако теперь ученые начинают использовать машинное обучение для поиска оригинальных идей. Они разрабатывают нейронные сети (тип машинного обучения со структурой, напоминающей человеческий мозг), которые создают новые гипотезы на основе закономерностей, найденных сетью при анализе данных, а не на основе предположений человека. В скором времени многие сферы деятельности могут обратиться к «музе» машинного обучения, чтобы ускорить научный процесс и освободить его от человеческой предвзятости.
Решая задачу поиска новых материалов для аккумуляторов, ученые обычно опираются на анализ баз данных, моделирование и собственную интуицию. Вместо этого команда из Ливерпульского университета в Англии использовала машинное обучение для упрощения процесса их создания. Исследователи разработали нейронную сеть, которая ранжировала химические соединения по вероятности получения нового полезного материала. Эти рейтинги использовали для проведения лабораторных экспериментов. Таким способом ученые определили четыре перспективных соединения, которые можно использовать в аккумуляторах, не тестируя при этом весь список вариантов, что сэкономило месяцы проб и ошибок.
«Это отличный инструмент», – говорит Андрей Василенко, научный сотрудник Ливерпульского университета и соавтор исследования по поиску материалов для аккумуляторов, опубликованного в журнале Nature Communications в сентябре этого года. Искусственный интеллект помогает определить химические соединения, на которые стоит обратить внимание, чтобы «мы могли быстрее охватить как можно больше химического пространства», – добавляет он.
Открытие новых материалов не единственная область, в которой машинное обучение может внести свой вклад в науку. Исследователи также применяют нейронные сети для решения более масштабных технических и теоретических вопросов. Ренато Реннер, физик из Института теоретической физики (Высшая техническая школа Цюриха), надеется однажды с помощью машинного обучения создать единую теорию Вселенной. Но прежде чем ИИ сможет раскрыть истинную природу реальности, исследователи должны ответить на заведомо сложный вопрос: как нейронные сети принимают свои решения.
Проникая в «разум» машинного обучения
За последние десять лет машинное обучение стало чрезвычайно популярным инструментом для систематизации больших объемов данных и прогнозирования. Однако объяснить логику ИИ бывает очень сложно. Нейронные сети построены из взаимосвязанных узлов, созданных по типу нейронов мозга и имеющих структуру, которая меняется по мере прохождения через нее информации. В то время как эта адаптирующаяся модель решает сложные задачи, для людей зачастую оказывается невозможным расшифровать последовательность решения.
Это отсутствие прозрачности было названо «проблемой черного ящика», поскольку никто не может заглянуть внутрь сети, чтобы объяснить ее «мыслительный» процесс. Непрозрачность не только подрывает доверие к результатам, но и ограничивает возможность использования нейронных сетей в создании научной картины мира.
Некоторые ученые стремятся открыть этот «черный ящик», разрабатывая «методы интерпретируемости», которые пытаются предложить пошаговое объяснение того, как сеть получает свои ответы. Есть вероятность, что максимально подробно детализировать сложные модели машинного обучения не удастся. Но исследователи часто могут выявить более общие тенденции в том, как сеть обрабатывает данные. Иногда приводит к неожиданным открытиям. Так было установлено, с чем связано увеличение риска заболеть раком.
Несколько лет назад Анант Мадабхуши, профессор биомедицины в Университете Case Western Reserve (Кливленд), использовал методы интерпретируемости, чтобы понять, почему у одних пациентов вероятность рецидива рака груди или простаты выше, чем у других. Он загрузил результаты сканирования пациентов в нейронную сеть, которая и определила тех, у кого этот риск выше. Затем Мадабхуши проанализировал алгоритмы сети, чтобы найти самую важную для определения вероятности рецидива рака характеристику. Результаты показали, что фактором, наиболее точно предсказывающим возобновление роста опухоли, является плотность структуры желез.
«Это не было гипотезой, мы этого не знали, – говорит Мадабхуши. – Мы использовали методологию выявления важного признака заболевания». То, что полученный результат согласуется с современными научными данными о патологии, команда исследователей обнаружила лишь после того, как ИИ дал свое «заключение». Нейронная сеть пока не может объяснить, почему плотность структуры желез способствует развитию рака, но она помогла Мадабхуши и его коллегам лучше понять, как прогрессирует опухолевый процесс, открыв новые направления для исследований.
Когда ИИ заходит в тупик
Хотя попытки заглянуть в «черный ящик» способны помочь людям в создании новых научных гипотез, по словам Соумика Саркара, доцента кафедры машиностроения в Университете штата Айова, ученым предстоит пройти еще долгий путь. Методы интерпретируемости могут подсказать корреляции, возникающие в процессе машинного обучения, но они не способны доказать причинно-следственную связь или предложить объяснения. Для извлечения смысла из сети по-прежнему необходимы специалисты в предметных областях.
Кроме того, машинное обучение часто использует данные, обработанные человеком, что может привести к клонированию человеческих предрассудков. К примеру, нейронная сеть под названием COMPAS (Correctional Offender Management Profiling for Alternative Sanctions), которая прогнозировала вероятность повторного правонарушения у бывших преступников, была обвинена в расизме. Расследование ProPublica установило, что в одном из округов штата Флорида система ошибочно прогнозировала вероятность рецидива у освободившихся чернокожих преступников почти вдвое чаще, чем у белых. Компания Equivant (ранее Northpointe), которая разрабатывала программное обеспечение для судов и создала COMPAS, оспорила анализ ProPublica, заявив, что программа оценки рисков была неправильно охарактеризована.
Несмотря на подобные проблемы, Реннер, физик из Цюриха, по-прежнему надеется, что машинное обучение поможет людям получать знания, более свободные от человеческой предвзятости. По его словам, нейронные сети могут вдохновить людей задуматься над старыми вопросами по-новому. И хотя сети еще не способны самостоятельно выдвигать гипотезы, они могут подсказывать ученым иной взгляд на проблему.
Реннер забегает далеко вперед и пытается создать нейронную сеть, которая сможет исследовать истинную природу космоса. Физикам более века не удавалось примирить две концепции Вселенной – квантовую теорию и общую теорию относительности Эйнштейна. Но Реннер надеется, что машинное обучение откроет ему новое видение, которое позволит объединить научное понимание того, как устроена материя в микро и макромасштабах.
«Мы можем далеко продвинуться в физике, только если посмотрим на вещи нестандартно», – говорит он. Сейчас Реннер создает сеть на основе теорий прошлого, закладывая в нее представления людей об устройстве Вселенной. В ближайшие несколько лет он попросит у сети ее собственный ответ на этот главный вопрос.