Нет ничего более захватывающего и вдохновляющего, чем научный прорыв. Но что происходит, когда разные группы ученых, кажется, не согласны с наукой?
DeepMind, лондонская исследовательская фирма Alphabet, в прошлом году опубликовала блестящую статью, в которой заявила, что решила сложную задачу «моделирования материи в квантовом масштабе с использованием искусственного интеллекта». Теперь, почти восемь месяцев спустя, группа академических исследователей из России и Южной Кореи, возможно, обнаружила проблему с первоначальным исследованием, которая ставит под сомнение полный вывод статьи.
Последствия этого передового исследования могут быть огромными, если выводы статьи верны. В основном речь идет о возможности использования искусственного интеллекта. Чтобы открыть новые способы обращения с основными строительными блоками материи.
Новая надежда
Привет люди
Подпишитесь на нашу рассылку прямо сейчас, чтобы получать еженедельные сводки наших любимых историй об искусственном интеллекте прямо в свой почтовый ящик.
Большой идеей здесь является возможность моделирования квантовых взаимодействий. Наш мир состоит из материи, состоящей из молекул, состоящих из атомов. На каждом уровне абстракции симуляция становится все сложнее.
К тому времени, когда вы достигнете квантового уровня внутри атомов, проблема моделирования возможных взаимодействий станет очень сложной.
для каждого Сообщение блога Из DeepMind:
Чтобы сделать это на компьютере, потребовалось бы смоделировать электроны, субатомные частицы, которые управляют тем, как атомы соединяются в молекулы, а также отвечают за поток электричества в твердых телах.
Несмотря на десятилетия усилий и множество важных разработок, точное моделирование квантово-механического поведения электронов остается открытой задачей.
Основная проблема заключается в том, что очень трудно предсказать вероятность того, что конкретный электрон достигнет определенного положения. Сложность увеличивается по мере того, как вы добавляете больше.
Как указал DeepMind в том же сообщении в блоге, пара физиков в 1960-х придумала хак:
Пьер Хохенбург и Вальтер Кон поняли, что нет необходимости отслеживать каждый электрон по отдельности. Вместо этого знания вероятности наличия любого электрона в каждой позиции (т.е. электронной плотности) достаточно для точного учета всех взаимодействий. Кун был удостоен Нобелевской премии по химии после того, как доказал это, тем самым установив теорию функционала плотности (DFT).
К сожалению, DFT пока может только упростить процесс. «Функциональная» часть теории предполагала, что всю тяжелую работу выполнят люди.
Все изменилось еще в декабре, когда я опубликовал DeepMind. бумага Под названием «Раздвигая границы функций плотности путем решения проблемы дробного электрона».
В этой статье команда DeepMind утверждает, что радикально улучшила существующие методы моделирования квантового поведения, разработав нейронную сеть:
Выражая функцию в виде нейронной сети и включая эти тонкие свойства в обучающие данные, мы изучаем функции, свободные от важных систематических ошибок, что приводит к лучшему описанию широкого класса химических реакций.
Академики отвечают
Документ DeepMind прошел официальную предварительную проверку, и все было в порядке. До августа 2022 года он издавался и публикуется группой из восьми ученых из России и Южной Кореи. Приостановка подвергая сомнению его заключение.
для каждого пресс-релиз От Сколковского института науки и технологий:
Способность DeepMind AI обобщать поведение таких систем не вытекает из опубликованных результатов и требует пересмотра.
Другими словами: ученые спорят о том, как ИИ DeepMind пришел к таким выводам.
По словам комментирующих исследователей, процесс обучения, который DeepMind использовал для создания своей нейронной сети, научил ее запоминать ответы на конкретные проблемы, с которыми она столкнулась бы во время измерения — процесс, с помощью которого ученые определяют, лучше ли один подход, чем другой.
В своем комментарии исследователи написали:
Хотя вывод Kirkpatrick et al. О роли систем FC/FS в обучающей выборке может быть и правда, это не единственное возможное объяснение их наблюдений.
По нашему мнению, улучшение производительности DM21 на наборе тестовых данных BBB по сравнению с DM21m может быть связано с более реалистичной причиной: непреднамеренным перекрытием наборов обучающих и тестовых данных.
Если это правда, это означает, что DeepMind на самом деле не научил нейронную сеть предсказывать квантовую механику.
Возвращение искусственного интеллекта
DeepMind был очень отзывчивым. Компания опубликовала свой ответ в тот же день, что и комментарий, и сделала немедленный и строгий выговор:
Мы не согласны с их анализом и считаем, что поднятые вопросы либо неверны, либо не имеют отношения к основным выводам статьи и общей оценке качества DM21.
Команда расширяет это в своем ответе:
DM21 не сохраняет данные; Это просто иллюстрируется тем фактом, что DM21 Exc варьируется во всем диапазоне расстояний, упомянутом в BBB, и не равен пределу бесконечного разделения, показанному на рис. 1, A и B, для H2+ и H2. Например, при 6 Å DM21 Exc составляет около 13 ккал/моль бесконечно связанного как в H2+, так и в H2 (хотя и в противоположных направлениях).
И хотя объяснение приведенной выше терминологии выходит за рамки этой статьи, мы можем с уверенностью предположить, что DeepMind, вероятно, был готов к этому конкретному возражению.
Что касается того, решит ли это проблему, это еще предстоит выяснить. На данный момент нам еще предстоит увидеть дальнейшее опровержение со стороны академической группы относительно того, развеялись ли их опасения.
Между тем, возможно, последствия этого обсуждения выходят за рамки одной исследовательской работы.
По мере того, как области искусственного интеллекта и квантовой науки все больше переплетаются, они также все больше и больше попадают под контроль богатых корпоративных исследовательских групп.
Что происходит, когда возникает научный тупик — противоборствующие стороны не могут прийти к соглашению об эффективности того или иного технологического подхода с помощью научного метода — и в игру вступают корпоративные интересы?
Что теперь?
Суть проблемы может заключаться в неспособности объяснить, как модели ИИ «умножают числа», чтобы прийти к своим выводам.
Эти системы могут пройти через миллионы перестановок, прежде чем получить ответ. Было бы невозможно объяснить каждый шаг процесса, и именно поэтому нам нужны алгоритмы и алгоритмы искусственного интеллекта, чтобы решать проблемы в масштабе, который был бы слишком большим для человека или компьютера, чтобы решить их напрямую.
В конечном счете, поскольку системы ИИ продолжают расширяться, мы можем достичь точки, когда у нас больше не будет инструментов для понимания того, как они работают. Когда это происходит, мы можем увидеть расхождение между технологиями компании и теми, которые проходят внешнюю экспертную оценку.
Это не означает, что документ DeepMind является примером этого. Как написала команда академических комментариев в своем пресс-релизе:
Использование микроэлектронных систем в обучающей выборке — не единственная новинка в работе DeepMind. Их идея введения физических ограничений в нейронную сеть через обучающую выборку, а также подход к усилению физического смысла посредством обучения правильному химическому потенциалу, вероятно, будут широко использоваться при построении функций DFT нейронной сети в будущее.
Но мы тестируем смелую новую технологическую парадигму, основанную на искусственном интеллекте. Может быть, пора нам начать думать о том, как будет выглядеть будущее в мире после рецензирования.