人工知能が科学をどのように変えるか

最新のAIアルゴリズムは、銀河の進化を理解し、量子波の関数を計算し、新しい化合物を発見します。 科学者の仕事には自動化できないものはありますか？

物理学と天文学の膨大な数の実験によって生み出された滝の情報について、誰も、あるいはグループでさえも追いつくことができません。 それらのいくつかは毎日テラバイトのデータを残し、このストリームは増え続けています。 2020年代半ばにオンにする予定の電波望遠鏡であるSquare Kilometer Arrayアンテナアレイは、インターネット全体に匹敵する量のデータを毎年生成します。



この大量のデータにより、多くの科学者が人工知能（AI）に助けを求めるようになりました。 人間の関与を最小限に抑えることで、ニューラルネットワーク（脳機能を模倣するコンピューターシミュレーションニューロンネットワーク）などのAIシステムは、大量のデータを歩き回り、異常を見つけ、人々が気付かないようなシーケンスを認識できます。



もちろん、科学研究におけるコンピューターの助けは約75年間使用されており、意味のあるシーケンスを検索するためにデータを手動でソートする方法は数千年前に発明されました。 しかし、一部の学者は、機械学習とAIの最新技術は、科学を行うための根本的に新しい方法であると主張しています。 そのようなアプローチの1つである生成モデリング（GM）は、観測データの競合する説明の中で最も可能性の高い理論を、そのデータのみに基づいて、研究中のシステムでどのような物理プロセスが発生するかについて事前にプログラムされた知識なしで決定するのに役立ちます。 GMの支持者は、それを宇宙を研究するための潜在的な「第三の方法」と見なされるほど革新的であると考えています。



通常、観察を通じて自然の知識を獲得します。 ヨハネス・ケプラーがティコ・ブラーエの惑星の位置の表をどのように研究して、下にあるパターンを見つけようとしていたか（彼は最終的に惑星が楕円軌道で動くことに気付きました）。 科学もシミュレーションを通じて前進しました。 天文学者は、天の川と隣接する銀河、アンドロメダの動きをシミュレートし、数十億年後に衝突することを予測できます。 観測とシミュレーションは、科学者が将来の観測を使用して検証できる仮説を作成するのに役立ちます。 GMはこれらのアプローチの両方とは異なります。



「本質的に、これは観測とシミュレーションの間の3番目のアプローチです」と、最近までスイス連邦工科大学で働いていた天体物理学者であり、GM支持者の1人であるKevin Shavinskyは言います。 「これはタスクを攻撃する別の方法です。」



一部の科学者は、GMやその他の技術を、従来の科学を行うための強力なツールにすぎないと考えています。 しかし、ほとんどの人は、AIがこのプロセスに大きな影響を与え、科学におけるその役割は成長するだけであることを認めています。 Fermi National Accelerator Laboratoryの天体物理学者であるBrian Nordは、宇宙を研究するために人工ニューラルネットワークを使用しており、人間の科学者の活動が自動化を逃れることを恐れる人の1人です。 「考えはかなり恐ろしいです」と彼は言いました。

世代発見

研究所でも、シャビンスキーはデータに基づいた科学の評判を築き始めました。 博士号の取得中に、彼はその外観に基づいて数千の銀河を分類するタスクに会いました。 このタスクのための既製のプログラムはなかったので、彼はこの目的のためにクラウドソーシングを組織することに決めました-それが銀河動物園のプロジェクトが生まれた方法です。 2007年以来、一般ユーザーは天文学者がどの銀河がどのカテゴリーに属しているかを推測するのを手伝うことができ、通常、ほとんどの声が銀河を正しく分類していました。 プロジェクトは成功しましたが、Shavinskyが指摘するように、AIはそれを無意味にしました：「今日、モスクワ地域での経験とクラウドコンピューティングへのアクセスを持つ優秀な科学者は、半日でそのようなプロジェクトを作成できます。」



Shavinskyは2016年にGMの新しい強力なツールを使用しました。 実際、GMは次の質問をします。条件Xで結果Yが得られる可能性はどれくらいですか。 このアプローチは、非常に効果的かつ普遍的であることが証明されています。 たとえば、GMに人間の顔の画像セットを与えたとします。それぞれの人には年齢が固定されています。 プログラムはこれらのトレーニングデータをコーミングし、古い顔としわが現れる可能性の増加との間の関係を見つけ始めます。 その結果、彼女は特定の人の年齢を明らかにすることができます。つまり、特定の年齢の人が受ける可能性のある身体的変化を予測できます。





これらの個人はどれも本物ではありません。 上の行（A）と左の列（B）は、実在の人物の要素から派生したビルディングブロックを使用して、生成-敵対ネットワーク（GSS）によって作成されます。 次に、GSSは、性別、成長、顔の形などの行Aの主要な顔の特徴と、髪や目の色などの列Bの小さな顔の特徴を組み合わせ、テーブルの残りの部分に顔を作成しました。



GMシステムの中で、生成的敵対ネットワーク（GSS）が最もよく知られています。 適切なトレーニングデータを処理した後、GSSはピクセルが欠落または損傷した画像を復元したり、ぼやけた写真を鮮明にしたりできます。 GSSは、競合に基づいて欠落している情報を抽出するようにトレーニングされています（そのため、「敵対的」）。ネットワークの1つの部分であるジェネレーターが誤ったデータを生成し、2番目の部分である識別器が誤ったデータを実際のデータと区別しようとします。 プログラムの実行中は、両方の部分が徐々に良くなります。 GSSによって作成された超現実的な「顔」を見たかもしれません。見出しの1つで書いたように、「現実には存在しない信じられないほど現実的な人々」の画像です。



より一般的なケースでは、GMはデータセット（通常はイメージですが、必須ではありません）を取得し、それらを基本的な抽象的なビルディングブロックのサブセットに分割します。科学者はそれらをデータの「隠しスペース」と呼びます。 アルゴリズムは、隠された空間の要素を操作して、これが初期データにどのように影響するかを確認します。これは、システムの動作を保証する物理プロセスを明らかにするのに役立ちます。



隠された空間の概念は抽象的で想像するのは難しいですが、大まかな例えとして、人の性別を顔で判断しようとするときに脳が何ができるかを考えてください。 おそらく、髪型、鼻の形など、そして言葉で説明するのが簡単ではないパターンに気づくでしょう。 コンピュータープログラムは、データ内の隠された兆候も探します。口ひげや性別が何であるかはわかりませんが、一部の画像に「男性」または「女性」というラベルが付けられ、一部に「口ひげ」というラベルが付いているデータセットでトレーニングされた場合、 "、彼女はすぐに関係を理解し​​ます。





ケビン・シャビンスキー、天体物理学者、AI企業モジュロスの責任者



12月にジャーナルAstronomy＆Astrophysicsで発表された論文で、Shavinskyと彼の同僚であるDenis TharpとChe Zhenは、GMを使用して進化中の銀河の物理的変化を研究しましたGSSを呼び出しますが、プロパティは非常に近いです）。 彼らのモデルは、物理的プロセスに関する仮説をテストするための人工データセットを作成しました。 例えば、彼らは、星形成の「減衰」（その形成速度の急激な減少）が銀河の密度の増加とどのように関連しているかを尋ねました。



シャビンスキーにとって重要な問題は、1つのデータのみに基づいて、星および銀河のプロセスに関する情報をどれだけ抽出できるかです。 「私たちが天体物理学について知っていることをすべて除外してください」と彼は言った。 「データのみを使用して、この知識をどの程度再発見できますか？」



まず、銀河の画像は隠された空間に縮小されました。 シャビンスキーは、銀河の環境の特定の変化、たとえば環境の密度などに対応するように、この空間の1つの要素を修正できます。 その後、彼は銀河を再生し、今回はどのような違いが現れるかを見ることができました。 「そして今、私は仮説を生成するマシンを持っています」と彼は説明しました。 「もともと低密度に囲まれていた銀河の束を取り、密度が高いように見せることができます。」 Shavinsky、Tarp、およびZhenは、環境の密度を低くすると密度が高くなり、より赤くなり、星の密度が高くなることを発見しました。 これは、銀河の既存の観測と一致しています、とシャビンスキーは言いました。 唯一の質問は理由です。



Shavinsky氏によると、次のステップはまだ自動化されていません。 「私、人間、介入して言う必要があります。どのような物理学がこの効果を説明できますか？」このプロセスには2つの可能な説明があります。星の形成が低下しているためです（言い換えれば、星は通常より古くなっています）。 生成モデルを使用して、両方のアイデアをテストできます。 ほこりと星形成の速度に関連する隠された空間の要素を変更し、これが銀河の色にどのように影響するかを確認します。 「そして、答えは明らかです」とシャビンスキーは言いました。 赤い銀河は「星形成の速度が低下したものであり、塵が多い場所ではありません」。 したがって、私たちは最初の説明を支持する傾向があります。」





一番上の行は、低密度領域にある実際の銀河です。

2行目-隠されたスペースに基づいた再構成。

次に、ネットワークによって行われる変換があります。以下は、高密度領域で生成された銀河です。



このアプローチは従来のシミュレーションに関連付けられていますが、基本的な違いがあります。 実際、シミュレーションは「仮定に基づいています」とシャビンスキーは言いました。 「これは言っていることと同じです：「私は私がシステムで観察するすべての物理的な基礎が根底にあるものを理解したと思います。」 星を形成したり、暗黒物質のふるまいをしたりするためのレシピがあります。 私はすべての仮説を投稿し、シミュレーションを開始します。それから、「これは現実のように聞こえますか？」そして、生成モデリングでは、これはある意味、シミュレーションの正反対です。 私たちは何も知りません、私たちは何も引き受けたくありません。 何が起こるかをデータから教えてほしい。」



そのような研究における生成モデリングの明らかな成功は、明らかに、天文学者と大学院生が不要になったことを意味するものではありません-しかし、AIが天体物理学のオブジェクトとプロセスについて何かを学ぶことができる程度の変化を示しているようですほぼ膨大な量のデータのみ。 「これは完全に自動化された科学ではありませんが、科学の進歩を少なくとも部分的に自動化するツールを作成できることを示しています」とShavinsky氏は述べています。



ジェネレーティブモデリングは明らかに多くの機能を備えていますが、科学への新しいアプローチを本当に表しているのかどうかは、これが論点です。 ニューヨーク大学とフラットアイアン研究所の宇宙学者であるデビッド・ホッグにとって、この技術は印象的ですが、データからシーケンスを抽出するための本質的に非常に複雑な方法です-天文学者はこれを何世紀にもわたって行ってきました。 言い換えれば、それは観察と分析の高度な方法です。 シャビンスキーのようなホッグの仕事は、AIに大きく依存しています。 彼はニューラルネットワークを使用して、スペクトルに従って星を分類し、データ駆動型モデルを使用して星の他の物理的特性について結論を導きます。 しかし、彼は自分の仕事とシャビンスキーの仕事を古くて親切で実績のある科学的方法だと考えています。 「これが第三の方法だとは思わない」と彼は最近言った。 「私たちは、コミュニティとして、ますますデータを使用していると思います。 特に、データの比較がはるかに優れています。 しかし、私の観点から見ると、私の仕事は観測体制に完全に適合しています。」

熱心なアシスタント

AIとニューラルネットワークが概念的に新しいツールであるかどうかに関係なく、それらが現代の天文学と物理研究で重要な役割を果たし始めたことは明らかです。 ハイデルベルク理論研究所では、物理学者のカイ・ポルステラーがアストロインフォマティクスのグループ-データ処理に基づく天体物理学の新しい方法を研究している研究者のチームを率いています。 彼らは最近、銀河のデータセットから赤方偏移情報を抽出するために、MOを使用するアルゴリズムを使用しました。



Polstererは、これらの新しいAIベースのシステムを「熱心なアシスタント」と見なし、退屈せずに労働条件について苦情を言うことなく、何時間もデータをとかすことができます。 これらのシステムは単調で骨の折れる仕事をすべて行うことができると彼は言い、「クールで興味深い科学」を残した。



しかし、それらは完璧ではありません。 特に、Polstererは、アルゴリズムは訓練されたものしか実行できないと警告しています。 システムは入力に対して無関心です。 彼女に銀河を与えて、彼女は彼女の赤方偏移と年齢を感謝することができます。 しかし、彼女に自撮りまたは腐った魚の写真を与えて、彼女は彼らの年齢（当然、間違っている）を感謝します。 最後に、彼は言った、人々の監視は依然として必要です。 「すべてが私たちに近づいています、研究者。 私たちは解釈に責任があります。」



FermilabのNordは、学生が慣れているように、ニューラルネットワークが結果だけでなく作業エラーも生成することが重要であると警告しています。 科学では非常に受け入れられているので、測定してもエラーを出さなければ、誰も結果を真剣に受け取らないでしょう。



多くのAI研究者と同様に、Nordはニューラルネットワークの結果を理解するのが難しいことも心配しています。 ニューラルネットワークは、それを取得する明確な方法を提供せずに答えを提供します。



ただし、透明性の欠如が問題であると誰もが考えているわけではありません。 フランスの理論物理学研究所の研究者であるレンカ・ズデボロバは、人間の直感も理解することができない場合があると指摘しています。 写真を見ると、猫が描かれていることがわかります。「しかし、どうやってこれを知っているのかわかりません」と彼女は言います。 「ある意味、あなたの脳もブラックボックスです。」



天体物理学者と宇宙論者だけでなく、AIとデータ処理を使用して科学の側面に移行します。 境界物理学研究所とウォータールー大学の量子物理学のスペシャリストであるロジャー・メルコは、ニューラルネットワークを使用して、この分野で最も複雑で重要な問題のいくつかを解決しました。たとえば、多くの粒子のシステムを記述する波動関数を表します。 メルコが「次元の指数関数的呪い」と呼ぶもののために、AIが必要です。 すなわち、波動関数の可能な形の数は、説明されたシステム内の粒子の数の増加とともに指数関数的に増加します。 難易度は、チェスやゴーなどのゲームで最高の動きを選択しようとするのと似ています：次の動きを計算し、相手がどのように行き、ベストアンサーを選択するかを想像しますが、動きごとに機会の数が増えます。



もちろん、AIはこれらのゲームの両方を習得し、数十年前にチェスをすることを学び、2016年に最高の囲playerプレーヤーを破りました-これはAlphaGoシステムによって行われました。 彼女は、量子物理学の問題にもうまく適応していると細かく言っています。

マシンマインド

シャビンスキーが科学に従事する「第三の方法」を見つけたと宣言するのが正しいかどうか、あるいはホッグが言うように、これらは単なる「ステロイドに関する」伝統的な観察とデータ分析であり、AIが科学的発見の本質を変え、それを明らかに加速することは明らかです。 AI革命は科学のどこまで行きますか？



「ロボサイエンティスト」の業績について定期的に大声で述べられます。 10年前、Adamのロボット化学者は酵母のゲノムを調べ、特定のアミノ酸の生成に関与する遺伝子を特定しました。 彼は、特定の遺伝子を欠く酵母株を観察し、それらの行動の結果を互いに比較することでこれを行いました。 Wired誌は「 ロボットはそれ自体で科学的発見をした 」と書いています。



少し後に、Glazko大学の化学者であるLee Croninは、 ロボットを使用して化学物質をランダムに混合し、新しい化合物が現れるかどうかを調べました。 質量分析計、核磁気共鳴装置、および赤外線分光計を使用してリアルタイムで反応を追跡することにより、システムは最終的に最も反応性の高い組み合わせを予測することを学びました。 これは発見には至らなかったが、化学システムはロボットシステムにより研究者の研究を90％スピードアップできる可能性がある、とCroninは述べた。



昨年、チューリッヒの科学者の別のチームは、 ニューラルネットワークを使用して、データセットに基づいて物理法則を導き出しました。 彼らのシステムは、ロボットのケプラーのようなもので、地球から見える空の太陽と火星の位置の記録に基づいて太陽系の太陽中心モデルを再発見し、ボールの衝突の観測から運動量の保存の法則を導き出しました。 物理法則はいくつかの方法で表現できることが多いため、研究者はこのシステムが既知の法則を扱う新しい、おそらくはより簡単な方法を提供できるかどうかに興味を持っています。



これらはすべて、AIが科学的発見を加速する方法の例ですが、それぞれの場合に、新しいアプローチがどれほど革命的だったかを議論することができます。 おそらく最も物議をかもしているのは、データだけからどれだけの情報を取得できるかという問題でしょう。これは、増え続ける膨大なデータの時代の重要な問題です。 2018年のThe Book of Whyでは、コンピューターサイエンスの専門家であるJadi Pearlと人気の科学ライターのDana Mackenzieが、データは「信じられないほど愚かな」ものであると示唆しています。 因果関係に関する質問は「データだけに基づいて答えることはできません」と彼らは書いている。 「モデルを考慮せずにデータを分析する作業や研究を見るたびに、この作業の出力が合計され、場合によっては変換されますが、データは解釈されません。 Shawinskyは、Pearlの立場に同情しますが、データのみで作業するというアイデアを「ダッシュの小さな男」のようなものとして説明します。 彼は、データから原因と結果を導き出す可能性を述べたことは一度もないと述べた。 「私たちは、通常の場合よりもはるかに多くのことをデータで行えると言いました。」



もう1つの一般的な議論は、科学には創造性が必要であり、少なくとも今のところ、それをプログラムする方法がわからないということです。 ロボットの化学者Croninが行ったように、すべての可能性の単純な列挙は、特に創造的に見えません。 「私は、理論、論理的構成を思いつくためには、創造性が必要だと思います」とポルステラーは言いました。 「創造性が必要になるたびに、人が必要です。」 そして、創造性はどこから来るのでしょうか？ ポルステラーは、それが退屈に関連していると疑っています-彼によれば、車はテストのために与えられていなかったという事実です。 「創造的であるためには、退屈を愛してはなりません。 コンピューターが退屈することはないと思います。」 一方、「創造性」や「インスピレーション」などの言葉は、Deep BlueやAlphaGoなどのプログラムを説明するためによく使用されます。 そして、マシンマインドの内部で何が起こっているかを説明しようとする無駄な試みは、私たち自身の思考プロセスを研究するときに遭遇する困難に非常に似ています。



シャビンスキーは最近、商業部門を支持して学界を去りました。 現在、彼はModulosのスタートアップを経営しており、スイス工科大学の多くの科学者が働いており、彼らのウェブサイトによると、「AIと機械学習の分野の開発の嵐に目を向けています」。 現代のAIと本格的な人工知能の間に障害が何であれ、彼と他の専門家は、機械はより多くの科学者の仕事をする運命にあると考えています。 これに制限はありますか、見つけるだけです。



「近い将来、生物学的機器を使用する最も賢い生き物ができない物理学または数学の発見を可能にする機械を作成することは可能でしょうか？ -シャビンスキーと思います。 -私たちがアクセスできないレベルで動作するマシンのおかげで、未来の科学は発展するでしょうか？ 知りません それはいい質問です。」