هوش مصنوعی به شما کمک دانشمندان بپرسید بیشتر قدرتمند سوالات

پیشرفت های علمی بیش از گذشته چندین قرن نه تنها منجر به درک بیشتری از جهان را افزایش استاندارد زندگی برای بسیاری از مردم در سراسر جهان است. هنوز هم وجود دارد چالش های عظیم ما بیمار مجهز به دیدار, به عنوان توسط تغییر آب و هوا و COVID-19 همه گیر است که نشان داده اند که ما هنوز به درک پیچیدگی طبیعت است. در سفارش به آدرس مقیاس از مشکلات در حال حاضر رو به بشریت رادیکال راه حل های مورد نیاز—و پیشرفت های علمی خواهد بود مرکزی برای این فرایند است. هوش مصنوعی وعده برای سرعت بخشیدن اساسی اکتشافات توسط تعمیق ماهیت سوالات محققان می توانید بپرسید.

در رویایی مقاله “همانطور که ما ممکن است فکر می کنم” منتشر شده در سال 1945 برجسته مهندس آمریکایی و علوم مدافع Vannevar Bush پیش بینی شده است که مردم به زودی نیاز به تکیه بر روی دستگاه های خارجی برای تقویت ذهن خود را. حتی پس از آن او می تواند ببینید که میزان کشف علمی آنقدر بزرگ بود که نیاز به ذخیره پردازش و درک اطلاعات در حال حاضر بیش از مردم ظرفیت بیولوژیکی.

او prescient مشاهده حلقه صحت از همیشه: یکی از چالش های علم مدرن است که به معنی مقدار زیادی از اطلاعات را جمع آوری کرده ایم مورد جهان است. با توجه به مقیاس داده های تولید شده توسط علم—از برخورددهنده بزرگ هادرون به عظیم پروژه ژنوم—این غیر ممکن است برای هر فرد به تجزیه آن است. AI می ایستد و به کمک ما به نوبه خود این فراوانی اطلاعات به درک—ما را قادر می سازد برای پاسخ به سئوالات خواهد بود که مقاوم به درمان برای افراد را حل کند.

دانشمندان به مدت طولانی استفاده می شود محاسبات به پیشرفت علم و استفاده از برنامه های کامپیوتری برای مدل کردن و شبیه سازی سیستم های طبیعی برای توضیح و درک علمی پدیده. این رویکرد شده است فوق العاده پربار برای علم و پیشرفت سوخت اعم از شبیه سازی اتم به مدل های جهان. این پارادایم کلاسیک محدود است با وابستگی آن به انسان برنامه نویسان که باید برای اولین بار تقطیر از قوانین تئوری و مشاهدات سپس با استفاده از این قوانین به کد برنامه رفتارها. امید ما این است که استفاده از هوش مصنوعی و سیستم استنتاج چنین قوانین به طور مستقیم از اطلاعات و یا تجربه و به طور بالقوه فراتر از آنچه محققان فرد ممکن است کشف. این خود-یادگیری سیستم می تواند به کشف راه حل های بالقوه و راهبردهای کشف خواص پنهان از ساختار زیرین بسیار زیاد می دهد و در نتیجه ممکن است زیاد به جای آنکه محدود به فهم بشر است.

یک نقطه بسیار مهم است که پیدا کردن حق مشکلات برای این سیستم به اکتشاف. هر چند مقدار زیادی از کار در حال انجام است استفاده از هوش مصنوعی به علوم لازم نیست که یک برنامه مستقیم از این فن آوری خواهد (و یا باید) در نتیجه دستیابی به موفقیت در هر علمی مشکل است. ترین تاثیرگذار پیشرفت خواهد آمد از استفاده از تکنیک های AI به سوالات است که واقعا مهم برای جامعه و برای آن پیچیده استدلال و تجزیه و تحلیل توانایی های مورد نیاز هستند. بسیاری از هنر حل یک مشکل نهفته است در چیدن درست سوال را در وهله اول.یک نقطه بسیار مهم است که پیدا کردن حق مشکلات برای این سیستم به اکتشاف.

برای مثال یکی از مهم ترین سوالات باز در زیست شناسی است که درک چگونه پروتئین خود را شکل. پروتئین های ضروری برای بدن سالم عمل و عمل مانند مینیاتور ماشین آلات در داخل سلول به انجام بسیاری از کارهای زندگی است. یک پروتئین شکل دیکته عملکرد آن به همین دلیل است که بسیاری از گروه های تحقیقاتی اختصاص داده شده به کشف ساختار پروتئین های مختلف; یک بار یک پروتئین را شکل شناخته شده است محققان بهتر می تواند درک چگونه کار می کند و صفحه نمایش برای مواد مخدر که ارتباط برقرار کردن با آن زمانی که آن را اختلال در عملکرد بیماری است. بسیار اتفاق می افتد که این یک نرم افزار ایده آل برای AI چرا که ما نسبتا با مجموعه داده های بزرگ از پروتئین شناخته شده سازه برای آموزش سیستم های در و این یک مشکل است که ما می توانیم کمیت پیشرفت است.

دانشمندان ممکن است صرف سال کار کردن به شکل یک پروتئین با استفاده از وقت گیر تجربی روش کریستالوگرافی. به جای کار کردن به شکل یک پروتئین در یک زمان چه می شود اگر ما می تواند استفاده از داده های موجود برای آموزش یک سیستم هوش مصنوعی برای پیش بینی شکل هر به طور طبیعی اتفاق می افتد و یا حتی از لحاظ نظری ممکن است پروتئین فقط از آن آمینو اسید دنباله شرح است. بر اساس تکنیک های یادگیری با الهام از علوم اعصاب ما به تازگی منتشر شده AlphaFold مدل می توانید بر روی مجموعه داده های بزرگ از پروتئین شناخته شده سازه های پیش بینی چگونه یک بعدی رشته ای از اسیدهای آمینه چین به شکل سه بعدی.

با استفاده از این سیستم ما به تازگی تولید شده پیش بینی به این شکل از شش پروتئین متشکل از SARS-CoV-2 ویروس است که باعث COVID-19. در حالی که سازه های پیش بینی شده توسط ما روش نیست به طور مستقیم منجر به درمان آنها ممکن است ارائه نکات مفید برای محققان در حال کار با مواد مخدر و آنتی بادی است که می تواند در برابر ویروس و ممکن است اضافه کردن به درک ما از این جهانی بهداشت تهدید.

بسیاری از گروه های آموزشی شده اند و پی در پی پیشرفت در تاشو مشکل برای سال هایی که با دقت و بهبود در CASP یک دوسالانه پروتئین تاشو پیش بینی رقابت است. در 2018, AlphaFold در زمان افتخارات بالا در CASP13 به نمایندگی از 40 درصد بهبود در دقت بیش قبلی رقابت بهترین مدل. در آینده این رویکرد می تواند به دانشمندان کمک کند تمرکز بر روی مهمترین آگهی صرفه جویی در زمان و پول برای مثال در بدنام گران مواد مخدر در فرآیند توسعه. از طریق هوش مصنوعی هدایت شبیه سازی ممکن است به طراحی رمان پروتئین در سیلیکون, سپس آزمون آنها در دنیای واقعی—کمک به محققان مستقیم تلاش های تحقیقاتی و بودجه موثر تر است.

این زیبایی AI: آن را قادر خواهد ساخت انتزاع از خاص به طور کلی تقطیر وحدت اصول از تجربه. آن را عمیق تر ماهیت گنجینه دانشمندان می توانید بپرسید: نه به سادگی “به چه شکل از پروتئین X?” اما اساسا “چه دیکته شکل هر پروتئین؟” پس از رفتن به یک سوال مانند این کمک نمی کند, یکی پاسخ, اما, بسیاری, باز کردن تمام زمینه های جدید از پرس و جو.

اگر ما می توانیم پیشرفت کافی در چگونه پیش بینی پروتئین خود را اشکال ما ممکن است آن را آسان تر برای طراحی داروهای جدید و آنزیم ها و جهانی واکسن منجر به بی شماری اجتماعی. اگر ما می توانیم با استفاده از هوش مصنوعی به صادقانه شبیه سازی مجموعه ای از اتم های آن ممکن است به منطقی طراحی مواد جدید برای باتری های خورشیدی, انرژی, تکنولوژی, کربن ضبط و بیشتر. با توجه به حق سوال درست آموزش داده و توانایی برای تعیین کمیت یادگیری هوش مصنوعی سیستم های ایستاده برای تعمیق درک علمی و سرعت بخشیدن جدید پیشرفت های فن آوری. هوش مصنوعی خیلی بیشتر از خودکار تصویر طبقه بندی یا ساده زنجیره تامین; ما می خواهیم به استفاده از آن برای کشف دانش جدید در مورد جهان و استفاده از آن برای درک بهتر جهان است.

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>