Sztuczna inteligencja staje się kluczowym narzędziem w badaniach chemicznych, oferującym nowe podejścia do rozwiązywania złożonych wyzwań stojących przed tradycyjnymi podejściami. Jednym z podtypów sztucznej inteligencji, który znajduje coraz większe zastosowanie w chemii, jest uczenie maszynowe, które wykorzystuje algorytmy i modele statystyczne do podejmowania decyzji na podstawie danych i wykonywania zadań, do których nie zostało wyraźnie zaprogramowane.
Aby jednak dokonać wiarygodnych przewidywań, uczenie maszynowe wymaga również dużych ilości danych, które nie zawsze są dostępne w badaniach chemicznych. Małe zbiory danych chemicznych po prostu nie dostarczają wystarczających informacji, aby algorytmy mogły się na nich uczyć, co ogranicza ich skuteczność.
W nowym badaniu naukowcy z zespołu Berenda Smita w EPFL znaleźli rozwiązanie w dużych modelach językowych, takich jak GPT-3. Modele te są wstępnie szkolone na ogromnych ilościach tekstu i są znane ze swoich szerokich możliwości w zakresie rozumienia i generowania tekstów przypominających ludzkie. GPT-3 stanowi podstawę najpopularniejszego oprogramowania do sztucznej inteligencji ChatGPT.
Badanie, opublikowane obecnie w czasopiśmie Nature Machine Intelligence, ujawnia nowe podejście, które radykalnie upraszcza analizę chemiczną przy użyciu sztucznej inteligencji. Wbrew początkowym podejrzeniom metoda ta nie zadaje bezpośrednich pytań chemicznych na temat GPT-3. „GPT-3 nie przeglądał większości literatury chemicznej, więc jeśli zadajemy pytanie z chemii na ChatGPT, odpowiedzi zwykle ograniczają się do tego, co można znaleźć w Wikipedii” – mówi Kevin Jablonka, główny badacz badania. „Zamiast tego udoskonaliliśmy GPT-3 za pomocą małego zbioru danych, który przekształcono w pytania i odpowiedzi, tworząc nowy model zdolny zapewnić precyzyjne spostrzeżenia chemiczne”.
Proces ten polega na przekazaniu GPT-3 sformatowanej listy pytań i odpowiedzi. „Na przykład w przypadku stopów o wysokiej entropii ważne jest, aby wiedzieć, czy stop występuje w jednej fazie, czy w wielu fazach” – mówi Smit. Lista sformatowanych pytań i odpowiedzi typu: S= „Czy to jest jeden etap?” A= „Tak/Nie”.
Kontynuuje: „W literaturze znaleźliśmy kilka stopów, na które odpowiedź była znana, i wykorzystaliśmy te dane do dostrojenia GPT-3. Otrzymaliśmy ulepszony model sztucznej inteligencji, który został przeszkolony, aby odpowiedzieć właśnie na to pytanie. Tak lub nie .”
W testach model wyszkolony przy stosunkowo niewielkiej liczbie pytań i odpowiedzi poprawnie odpowiedział na ponad 95% bardzo różnorodnych problemów chemicznych, często przekraczając dokładność współczesnych modeli uczenia maszynowego. „Chodzi o to, że jest to tak proste, jak przeszukanie literatury, co sprawdza się w przypadku wielu problemów chemicznych” – mówi Smit.
Jednym z najbardziej uderzających aspektów tego badania jest jego prostota i szybkość. Tradycyjne modele uczenia maszynowego wymagają miesięcy opracowania i rozległej wiedzy. Natomiast podejście opracowane przez Jabłonkę zajmuje pięć minut i nie wymaga żadnej wiedzy.
Konsekwencje badania są głębokie. Oferuje metodę tak łatwą, jak przeszukiwanie literatury, mającą zastosowanie do różnych problemów chemicznych. Umiejętność formułowania pytań typu „Czy A [chemical] Zrobione z tym [recipe] „Wysoki?” i uzyskanie dokładnych odpowiedzi może zrewolucjonizować sposób planowania i przeprowadzania badań chemicznych.
„Oprócz przeszukiwania literatury, kwestionowania podstawowego modelu” – piszą autorzy w artykule [e.g., GPT-3,4] „Może stać się rutynowym sposobem rozpoczynania projektu poprzez wykorzystanie zbiorowej wiedzy zakodowanej w tych podstawowych modelach”. Lub, jak to zwięźle ujął Smit: „To zmieni sposób, w jaki robimy chemię”.
Inni współpracownicy
- Laboratorium EPFL Sztucznej Inteligencji Chemicznej
- Instytut Helmholtza ds. Polimerów w Zastosowaniach Energetycznych (Helmholtz Center Berlin i FSU Jena)
odniesienie
Kevin Mike Jablonka, Philipp Schwaller, Andrés Ortega Guerrero, Berend Smit. Czy GPT to wszystko, czego potrzebujesz do odkrywania niewielkiej ilości danych w chemii? Inteligencja maszyn natury 2023. DOI:10.1038/s42256-023-00788-1
/Wydanie ogólne. Ten materiał od oryginalnej organizacji/autora(ów) może mieć charakter chronologiczny i został zredagowany pod kątem przejrzystości, stylu i długości. Mirage.News nie zajmuje stanowisk korporacyjnych ani stron, a wszystkie opinie, stanowiska i wnioski wyrażone w niniejszym dokumencie są wyłącznie opiniami autorów. Zobacz całość tutaj.
„Całkowity miłośnik kawy. Miłośnik podróży. Muzyczny ninja. Bekonowy kujon. Beeraholik.”
More Stories
„Wybredne” pasożyty zmieniają metabolizm żywiciela, selektywnie jedząc swój własny bufet tłuszczowy
Inteligentniejszy od małp? Naukowcy kwestionują twierdzenia T. Rexa o inteligencji
Jak zobaczyć „niezwykły” rój meteorów Eta Aquaridus z Australii