Các nhà nghiên cứu Trung Quốc sắp tạo ra "các nhà khoa học AI thực sự"

Các nhà nghiên cứu Trung Quốc đang tiến gần đến một cách tiếp cận đột phá để phát triển “các nhà khoa học trí tuệ nhân tạo (AI)” có khả năng tiến hành các thí nghiệm và giải quyết các vấn đề khoa học. Những tiến bộ gần đây trong các mô hình học sâu đã cách mạng hóa nghiên cứu khoa học, nhưng các mô hình hiện tại vẫn gặp khó khăn trong việc mô phỏng chính xác các tương tác vật lý trong thế giới thực.

Tuy nhiên, một nhóm các nhà nghiên cứu từ Đại học Bắc Kinh và Viện Công nghệ Phương Đông (EIT) ở Trung Quốc đã phát triển một khuôn khổ mới để đào tạo các mô hình học máy dựa trên kiến ​​thức có sẵn, chẳng hạn như các định luật vật lý hoặc logic toán học, cùng với dữ liệu.

Nam Trung Quốc Morning Post báo cáo rằng cách tiếp cận như vậy có thể dẫn đến việc tạo ra "các nhà khoa học thực sự có trí tuệ nhân tạo", những người có thể cải thiện thí nghiệm và giải quyết các vấn đề khoa học. Các mô hình học sâu đã ảnh hưởng đáng kể đến nghiên cứu khoa học bằng cách tiết lộ các mối quan hệ trong các tập dữ liệu lớn. Bất chấp những tiến bộ này, các mô hình hiện tại như Sora của OpenAI vẫn gặp phải những hạn chế trong việc mô phỏng chính xác một số tương tác vật lý nhất định trong thế giới thực.

Ví dụ: Sora, một mô hình chuyển văn bản thành video, đã trở nên phổ biến rộng rãi nhờ khả năng thể hiện các đối tượng thực tế, được cải tiến. Tuy nhiên, nó không thể mô hình hóa chính xác các tương tác cơ bản, chẳng hạn như hướng di chuyển của ngọn lửa nến trên chiếc bánh ngày lễ.

Các nhà nghiên cứu đề xuất kết hợp “kiến thức trước”, chẳng hạn như các định luật vật lý hoặc logic toán học, cùng với dữ liệu để đào tạo các mô hình học máy chính xác hơn.

Việc đưa kiến ​​thức của con người vào các mô hình AI có thể tăng tính hiệu quả và khả năng dự đoán của chúng. Để giải quyết vấn đề này, nhóm đã phát triển một khuôn khổ để đánh giá giá trị của kiến ​​thức trước đó và xác định tác động của nó đến độ chính xác của mô hình. Khung của họ nhằm mục đích đánh giá giá trị của kiến ​​thức bằng cách sử dụng các quy tắc dẫn xuất, có tính đến các yếu tố như khối lượng dữ liệu và phạm vi đánh giá. Bằng cách tiến hành các thí nghiệm định lượng, các nhà nghiên cứu tìm cách làm sáng tỏ mối quan hệ phức tạp giữa dữ liệu và kiến ​​thức trước đó, bao gồm cả sự phụ thuộc, sức mạnh tổng hợp và hiệu ứng thay thế.

Hệ thống chẩn đoán mô hình này có thể được áp dụng cho các kiến ​​trúc mạng khác nhau, cung cấp sự hiểu biết toàn diện về vai trò của kiến ​​thức trước đó trong các mô hình học sâu.

Các nhà nghiên cứu đã thử nghiệm khuôn khổ của họ trên các mô hình giải phương trình đa chiều và dự đoán kết quả của các thí nghiệm hóa học. Họ phát hiện ra rằng việc kết hợp kiến ​​thức trước đây đã cải thiện đáng kể hiệu suất của các mô hình này, đặc biệt là trong các lĩnh vực khoa học, nơi sự nhất quán với các định luật vật lý là rất quan trọng để tránh những kết quả thảm khốc có thể xảy ra. Về lâu dài, nhóm đặt mục tiêu phát triển các mô hình AI có thể xác định và áp dụng kiến ​​thức liên quan một cách độc lập mà không cần sự can thiệp của con người.

Tuy nhiên, họ thừa nhận rằng khi lượng dữ liệu trong mô hình tăng lên, các vấn đề như sự thống trị của các quy tắc chung so với các quy tắc địa phương cụ thể có thể phát sinh, đặc biệt là trong các lĩnh vực như sinh học và hóa học, nơi có thể thiếu các quy tắc chung.

Đọc thêm:

•  Xe bọc thép Cockerill iX nhận được AI để chống lại máy bay không người lái hiệu quả
• AMD XDNA là gì? Kiến trúc hỗ trợ AI trên bộ xử lý Ryzen