ИИ осваивает построение научных моделей, но интерпретация результатов остаётся сложной задачей
Исследователи из Института ELLIS в Тюбингене и Тюбингенского университета описали, как искусственный интеллект начинает автоматизировать построение научных моделей. Материал опубликован в блоге Anthropic. Об этом сообщает IXBT News.
Авторы выделяют 3 основных этапа научного моделирования: построение модели, подбор её параметров и интерпретацию результатов. Раньше все они требовали непосредственной работы учёных. Теперь ИИ-системы постепенно осваивают каждый из этих этапов, причём наиболее заметный прогресс достигнут в настройке моделей по экспериментальным данным.
«В качестве примера авторы приводят модель Ходжкина — Хаксли, созданную в 1951 году физиологами Аланом Ходжкиным и Эндрю Хаксли для описания электрических импульсов нервных клеток. После поломки компьютера Кембриджского университета Хаксли пришлось более 3 недель вручную рассчитывать уравнения на механическом калькуляторе. Учёные обнаружили, что для точного воспроизведения измеренной активности нейрона одна из переменных должна входить в уравнение в четвёртой степени», — пишет IXBT News.
Они предположили, что это связано с необходимостью перемещения нескольких заряженных частиц для открытия ионного канала. Спустя десятилетия выяснилось, что родственный калиевый канал действительно состоит из 4 одинаковых белковых частей, окружающих центральную пору. Сегодня ИИ потенциально способен выполнить аналогичную работу за несколько часов.
Для подбора параметров сложных моделей используются нейросети и метод simulation-based inference (SBI, статистический вывод на основе симуляций). Алгоритм многократно запускает модель с разными параметрами, собирает результаты и обучает нейросеть определять, какие настройки могли привести к наблюдаемым данным. Для модели Ходжкина — Хаксли может потребоваться около 100 000 симуляций, а для более сложных систем — миллионы. После обучения нейросеть способна оценивать параметры новых экспериментов за секунды.
Такой подход позволяет получить не один наиболее подходящий набор параметров, а целое распределение вероятных вариантов. Это важно, поскольку разные настройки модели могут одинаково хорошо воспроизводить экспериментальные данные, но давать разные предсказания.
Аналогичный принцип авторы предлагают применять и при создании самих моделей. ИИ-агент получает описание изучаемой системы и данные экспериментов, самостоятельно предлагает несколько вариантов уравнений, пишет для них код, запускает симуляции, сравнивает результаты с наблюдениями и корректирует модели. Более сложные объяснения, требующие большого количества дополнительных параметров, получают меньшее предпочтение, чем простые модели, хорошо согласующиеся с данными.
Подобные системы уже появляются: в течение последних 2 лет опубликовано несколько работ, в которых большие языковые модели (LLM) самостоятельно проектируют научные модели. Однако пока что их преимущественно проверяли на задачах, для которых учёные уже знали правильный ответ. Доказательств того, что ИИ способен успешно находить объяснения принципиально новых явлений, сегодня недостаточно.
Ещё сложнее автоматизировать третий этап — интерпретацию. Точное воспроизведение наблюдений не доказывает, что модель правильно описывает механизм реального процесса. Для этого необходимо сравнивать альтернативные объяснения и выяснять, какие свойства системы действительно подтверждаются экспериментами.
Авторы считают, что перспективный подход заключается в создании не одной модели, а набора объяснений, согласующихся с имеющимися данными. Если разные модели предсказывают одинаковое поведение системы после внешнего воздействия, то такое предсказание получает более надёжное обоснование. Если же результаты расходятся, то это указывает на необходимость новых экспериментов.
В качестве примера авторы рассматривают моделирование мозга плодовой мушки: его схема связей включает более 100 000 нейронов, и на её основе уже создаются модели активности зрительной системы. По мере усложнения таких систем найти единственное правильное описание становится всё труднее. Поэтому задача ИИ в науке — не просто быстро получить уравнение, которое подходит к данным, а показать, какие объяснения выдерживают проверку, где сохраняется неопределённость и какие эксперименты помогут её устранить.
Подписывайтесь на наш Telegram-канал, чтобы быть в курсе всех новостей и событий Рунета.
