Sztuczna inteligencja pomoże projektować eksperymenty naukowe?
Laboratorium naukowe może być wyposażone we wszystkie urządzenia niezbędne do dokonania odkrycia, a mimo to naukowcy mogą nie wiedzieć, jak je ze sobą połączyć, by przeprowadzić badania. Lasery, soczewki, zwierciadła i inne narzędzia mają tak wiele możliwości, można je konfigurować na tyle sposobów, że sprawdzenie wszystkich potencjalnych rozwiązań przekracza ludzkie możliwości. Fizycy polegają więc na wiedzy, doświadczeniu i intuicji. Czasem jednak to nie wystarcza.
Przekonał się o tym Mario Krenn, obecnie profesor z Uniwersytetu w Tybindze, który specjalizuje się w zagadnieniach uczenia maszynowego w nauce. Jeszcze jako student w Wiedniu próbował zaprojektować eksperyment badający określone efekty kwantowe. Jednak ani on, ani żaden inny członek jego grupy badawczej nie potrafił wymyślić odpowiedniej konfiguracji aparatury badawczej. Krenn postanowił więc opisać dostępne mu urządzenia w języku matematyki i poprosić komputer o znalezienie użytecznej kombinacji. Programowanie zajęło mu kilka godzin. Zostawił maszynę uruchomioną na noc i poszedł do domu. Następnego dnia otrzymał plik z propozycją rozwiązania. Szczegółowa analiza wykazała, że komputer zaproponował właściwe rozwiązanie, z którym nie poradzili sobie wcześniej badacze.
Teraz profesor Krenn we współpracy z Lukasem Heinrichem z Uniwersytetu Technicznego w Monachium, Jonathanem Klimeschem z Uniwersytetu w Tybindze oraz międzynarodową grupą naukowców opublikowali na łamach Nature artykuł, w którym opisują, w jaki sposób można wykorzystać sztuczną inteligencję do projektowania eksperymentów w fizyce. Z artykułu dowiadujemy się, że AI może projektować eksperymenty, które dadzą lepsze wyniki, niż rozwiązania opracowane przez ludzi. Rola komputerów nie ogranicza się już zatem do analizy wyników. Maszyny mogą brać aktywny udział w przygotowywaniu eksperymentów.
W tym przypadku algorytm otrzymuje dostęp do obszernej bazy danych z różnymi możliwymi do przeprowadzenia eksperymentami, opis komponentów, jakimi dysponuje laboratorium oraz informację o celu, jaki naukowcy chcą osiągnąć. Korzystając z modeli fizycznych AI może znaleźć taką konfigurację, która najlepiej spełni założone zadania. Kluczową umiejętnością algorytmu jest tutaj zdolność do przeprowadzenia symulacji działania układu eksperymentalnego, zanim jeszcze zostanie zbudowana odpowiednia aparatura.
Szczególnie obiecującymi obszarami zastosowań dla takich rozwiązań są te, które wykraczają poza ludzką intuicję i w których mamy niewielkie doświadczenie. Jeden z autorów artykułu, profesor Philipp Haslinger, który zajmuje się technologiami kwantowymi i mikroskopią elektronową mówi, że takimi obszarami są na przykład wykorzystanie splątania kwantowego i inne koncepcje kwantowe w mikroskopii elektronowej. Maszyna może tutaj zaproponować badania, które człowiekowi trudno byłoby wymyślić, a które dają szansę na opracowanie nowych metod obrazowania. AI może też odegrać znaczącą rolę w projektowaniu detektorów cząstek, fal grawitacyjnych czy ulepszaniu reaktorów fuzyjnych.
Co ciekawe, zaproponowane przez maszynę rozwiązanie nie zawsze musi być od razu zrozumiałe dla naukowców. Czasem wystarczy szybka analiza, by sprawdzić, czy AI rzeczywiście proponuje coś interesującego, innym zaś razem dopiero głębsze analizy pokazują, że zaprojektowany przez sztuczną inteligencję eksperyment rzeczywiście może przynieść interesujące wyniki, ale trudno jest w prosty sposób wyjaśnić, dlaczego tak się dzieje. W ten sposób komputer daje naukowcom dodatkowe zadanie. Muszą oni zrozumieć, czego można się od niego nauczyć.
Ambicją Krenna i jego zespołu jest opracowanie narzędzia podobnego do uniwersalnego symulatora fizyki. Wówczas część zadań związanych z projektowaniem eksperymentów można by zlecać maszynom. To one dobierałyby elementy aparatury badawczej tak, jak dotychczas wykonywały żmudne rachunki. Natomiast po stronie naukowców pozostawałaby kreatywna część: zadawanie pytań, wybór celów i interpretacja rozwiązań.
Artykuł Designing physics experiments with artificial intelligence został opublikowany na łamach Nature.
Komentarze (0)