人工智能还有望为科学研究提供支持

过去十年，人工智能在科学发现中的应用取得了长足的进步，但从业者需要知道何时以及如何改善他们对人工智能的使用，并且必须挑战糟糕的数据质量。

从药物发现、材料科学、天体物理学和核聚变，使用人工智能的科学家看到了提高准确性和缩短实验时间的结果。

今天发表在研究杂志《自然》上的一篇论文，由来自世界各地的30名研究人员组成的团队评估了这个被大肆宣传的领域取得的进展，并了解了需要做些什么。

该论文由斯坦福大学计算机科学和基因泰克小组的博士后研究员Hanchen Wang整理，指出人工智能可以帮助“优化参数和功能，自动化收集，可视化和处理数据的程序，探索广阔的候选假设空间以形成理论，并生成假设并估计其不确定性以提出相关实验。

例如，在天体物理学中，一种用于筛选噪声的神经网络的无监督学习技术，变分自动编码器已被用于基于预训练的黑 洞波形模型来估计引力波探测器参数。该论文称：“这种方法比传统方法快六个数量级，使捕捉瞬态引力波事件变得实用。”

另一个例子来自实现核聚变的尝试。谷歌DeepMind研究科学家Jonas Degrave开发了一种人工智能控制器，通过托卡马克反应堆中的磁场来调节核聚变。研究人员展示了人工智能代理如何实时测量电压水平和等离子体配置，以帮助控制磁场并达到实验目标。

该论文称：“强化学习方法已被证明对托卡马克等离子体的磁控制有效，其中算法与托卡马克模拟器相互作用，以优化控制过程的策略。”

这篇论文认为，尽管人工智能在科学中的应用很有希望，但它必须面临一系列挑战，才能得到更广泛的应用。

“人工智能系统的实际实施涉及复杂的软件和硬件工程，需要一系列相互依存的步骤，从数据管理和处理到算法实现以及用户和应用程序界面的设计。实施中的微小变化可能导致性能的重大变化，并影响将人工智能模型集成到科学实践中的成功。因此，数据和模型的标准化都需要考虑。”

同时，由于训练深度学习模型采用随机或随机方法，人工智能辅助下的结果再现存在问题。标准化的基准测试和实验设计可以缓解这些问题。提高可重复性的另一个方向是通过发布开放模型、数据集和教育项目的开源计划。”

它还指出，大型科技公司在为科学开发人工智能方面占上风，因为“计算这些更新的计算和数据要求是巨大的，导致巨大的能源足迹和高计算成本。

大型科技公司在计算基础设施和云服务方面的大量资源和投资正在“推动规模和效率的极限”。

然而，高等教育机构可以帮助自己更好地整合多个学科，同时利用行业外不存在的独特历史数据库和测量技术。

该文件呼吁制定一个伦理框架，以防止人工智能在科学中的滥用，并在所有科学领域提供更好的教育。

“随着人工智能系统接近与人类相媲美和超越人类的性能，将其用作常规实验室工作的直接替代品正变得可行。这种方法使研究人员能够迭代地从实验数据开发预测模型，并选择实验来改进它们，而无需手动执行费力和重复性的任务。为了支持这种范式转变，正在出现教育计划，以培训科学家在科学研究中设计、实施和应用实验室自动化和人工智能。这些计划帮助科学家了解何时适合使用人工智能，并防止人工智能分析得出误解的结论，“它说。

该论文指出，深度学习在2010年代初的兴起“大大扩大了这些科学发现过程的范围和雄心”。

不到十年后，谷歌DeepMind声称其AlphaFold机器学习软件以相当的准确性快速预测蛋白质的结构，这可能是药物发现的飞跃。为了使学术科学在广泛的学科中应用类似的技术，它需要共同行动，与大型科技公司的雄厚资金竞争。