У світі науки відбуваються вражаючі зміни завдяки новим досягненням у сфері штучного інтелекту. Нещодавно дослідники представили алгоритми, які здатні працювати "навпаки", що відкриває нові горизонти для розуміння прихованих сил природи. Цей підхід дозволяє не лише аналізувати вже відомі дані, а й генерувати нове знання на основі зворотних обчислень. Зокрема, такі технології можуть використовуватись для моделювання складних фізичних процесів і взаємодій у природному серед
Підписуйтеся на нас вГугл Новини, а також читайте вТелеграміФейсбук
Іноді найважливіше в природі неможливо побачити напряму: ми бачимо хвилі на воді, але не момент падіння каменя; бачимо структуру ДНК у клітині, але не всі хімічні процеси, що її сформували. Саме для таких задач інженери зУніверситету Пенсільванії(Penn Engineering) розробили новий метод штучного інтелекту Mollifier Layers, який дозволяє працювати у зворотному напрямку — від видимого результату до прихованих причин.
Більшість наукових моделей працює “вперед”. Якщо ми знаємо температуру, властивості матеріалу й умови середовища, можемо спрогнозувати, як поширюватиметься тепло. Якщо знаємо швидкість вітру, вологість і тиск, можемо побудувати прогноз погоди.
Але в реальній науці часто все навпаки. Дослідники бачать результат — наприклад, зображення клітини, погодний патерн або структуру матеріалу — і хочуть зрозуміти, які невидимі процеси його створили.
Такі задачі називають оберненими. У математиці вони часто пов’язані зрівняннями з частинними похідними, які описують зміни не лише в часі, а й у просторі. Саме такі рівняння використовують для моделювання теплопереносу, дифузії, руху рідин, поведінки матеріалів і навіть організації ДНК у клітинному ядрі.
“Розв’язання оберненої задачі схоже на спостереження за хвилями у ставку й спробу зрозуміти, де саме впав камінь”,— пояснив старший автор дослідження Вівек Шеной у матеріаліSciTechDaily(SciTechDaily).
Ця аналогія добре передає проблему. Наслідки видно чітко. Причини — приховані.
Диференціальні рівняння — це мова змін. Вони описують, як щось змінюється: температура в металі, концентрація речовини в розчині, форма біологічної тканини або рух повітряних мас.
У “прямій” задачі вчені задають правила й отримують результат. В оберненій задачі вони мають результат і намагаються відновити правила. Це значно важче, бо багато різних причин можуть створити схожі наслідки.
Наприклад, якщо ви бачите мокрий асфальт, це може бути дощ, поливальна машина або розлита вода. У природних системах таких варіантів ще більше, а дані часто містять шум — похибки вимірювання, нечіткість зображень або неповну інформацію.
Традиційні нейромережі для таких задач часто використовують автоматичне диференціювання. Це спосіб обчислювати, як змінюється результат моделі при зміні вхідних параметрів. Але коли система потребує похідних високого порядку, тобто вимірювання складніших змін, метод може ставати нестабільним і дуже витратним для комп’ютера.
Уявіть, що ви багато разів збільшуєте нерівну лінію на екрані. З кожним збільшенням дрібні дефекти стають помітнішими. Те саме відбувається з шумом у даних: коли алгоритм багато разів обчислює похідні, дрібні похибки можуть перетворитися на велику помилку.
Саме тут з’являється ідея Mollifier Layers.
Слово “mollifier” у математиці означає інструмент для згладжування. Ідея не нова: подібні математичні функції описували ще у XX столітті, зокрема в роботах німецько-американського математика Курта Отто Фрідріхса.
Команда Penn адаптувала цей принцип для сучасногомашинного навчання. Замість того щоб змушувати нейромережу багаторазово й нестабільно обчислювати похідні, дослідники додали спеціальний шар, який спершу згладжує сигнал.
Це схоже на те, як фотограф прибирає цифровий шум із нічного знімка перед тим, як аналізувати деталі. Якщо спочатку згладити випадкові дефекти, контури стають надійнішими, а висновки — точнішими.
У статті наOpenReview(openreview.net) автори пояснюють, що Mollifier Layers замінюють рекурсивне автоматичне диференціювання згортковими операціями з аналітично визначеними моліфікаторами. Простішими словами: алгоритм не “дряпає” дані багато разів поспіль, а обробляє їх математично м’якше й стабільніше.
“Сучасний ШІ часто розвивається через масштабування обчислень. Але деякі наукові виклики потребують кращої математики, а не просто більшої кількості обчислень”,— зазначив співавтор роботи Вінаяк Вінаяк у матеріаліPenn Engineering(Penn Engineering).
Це важливий зсув. Замість “зробімо модель більшою” дослідники кажуть: “зробімо сам математичний крок розумнішим”.
Одне з перших застосувань нового методу пов’язане з хроматином — формою, у якій ДНК упакована всередині клітинного ядра.Хроматин— це не просто “котушка” для генетичного матеріалу. Його структура визначає, які ділянки ДНК відкриті для роботи, а які тимчасово заблоковані.
Це має прямий зв’язок із роботою генів. Якщо певна ділянка ДНК доступна, клітина може активувати відповідні інструкції. Якщо вона щільно упакована, ген може мовчати.
Дослідники з лабораторії Шеноя вивчають крихітні домени хроматину розміром близько 100 нанометрів. Вони настільки малі, що в тисячі разів тонші за людську волосину, але їхня роль величезна: вони впливають на ідентичність клітин, старіння, розвиток і хвороби.
Проблема в тому, що вчені можуть бачити структуру хроматину на зображеннях високої роздільної здатності, але не завжди можуть напряму виміряти епігенетичні реакції, які її створюють. Саме тут обернені рівняння стають ключем.
Новий метод може допомогти відновлювати приховані швидкості епігенетичних реакцій за спостережуваною структурою хроматину. Іншими словами, ШІ може не лише дивитися на “карту” ДНК у клітині, а й підказувати, які невидимі процеси сформували цю карту.
“Якщо ми зможемо відстежувати, як ці швидкості реакцій змінюються під час старіння, раку або розвитку, це створює потенціал для нових терапій”,— пояснив Вінаяк у публікаціїSciTechDaily(SciTechDaily).
Це не означає, що метод уже дає готові ліки. Але він може стати інструментом для розуміння того, як клітини переходять з одного стану в інший — наприклад, здорового в патологічний.
Схожий інтерес до прихованих механізмів у клітинах уже видно в багатьох сучасних дослідженнях. Наприклад, відкриття пронові механізми старіння ДНКпоказують, що біологічні процеси часто значно складніші, ніж здавалося раніше.
Головна сила Mollifier Layers у тому, що метод не прив’язаний лише до біології. Обернені задачі виникають майже всюди, де вчені бачать складний результат і хочуть знайти приховані параметри.
У прогнозуванні погоди це можуть бути невидимі сили, які формують атмосферні потоки. У матеріалознавстві — властивості речовини, які визначають, як вона проводить тепло або реагує на навантаження. У медицині — параметри тканин, які можна відновлювати за зображеннями або біофізичними вимірюваннями.
Це особливо важливо тому, що сучасна наука дедалі частіше працює з великими, але шумними даними. Суперроздільна мікроскопія, супутникові спостереження, сенсори в океані, медична візуалізація — усі ці джерела дають багато інформації, але вона не завжди чиста й повна.
Тому підхід, який робить обчислення стійкішими до шуму, може бути корисним у дуже різних галузях. У дослідженні, описаному вTransactions on Machine Learning Research(openreview.net), автори тестували метод на задачах, пов’язаних із динамікою Ланжевена, тепловою дифузією та реакційно-дифузійними системами.
Для широкої аудиторії це звучить складно, але ідея проста: метод перевіряли на різних типах процесів, де потрібно відновити приховані параметри з видимих даних.
Це перегукується з ширшим трендом — ШІ стає не лише інструментом для генерації текстів чи зображень, а й партнером у фундаментальній науці. Так само як алгоритми вже допомагають шукати закономірності в космічних даних, про що свідчать відкриття на кшталтнових карт Всесвіту на основі мільйонів галактик, математичний ШІ може відкривати правила, приховані в біологічних і фізичних системах.
На перший погляд, Mollifier Layers — це технічне вдосконалення для нейромереж. Але його значення ширше. Воно стосується одного з головних питань науки: як перейти від спостереження до розуміння причин?
Людство вже навчилося збирати величезні обсяги даних. Ми можемо сканувати клітини, вимірювати атмосферу, моделювати океани, спостерігати за матеріалами на нанорівні. Але дані самі по собі не завжди пояснюють, що відбувається.
Потрібні методи, які витягують із цих даних правила. Саме тут обернені задачі стають мостом між “ми бачимо картину” і “ми розуміємо механізм”.
“Кінцева мета — перейти від спостереження складних патернів до кількісного розкриття правил, які їх створюють”,— сказав Шеной у матеріаліPenn Engineering(Penn Engineering).
Це має особливе значення для медицини майбутнього. Якщо науковці зможуть точніше визначати приховані процеси, що ведуть до хвороби, вони отримають шанс не лише описувати симптоми, а й втручатися в самі механізми.
Наприклад, дослідження проприховані біологічні механізми, що можуть змінити лікування діабетупоказують, наскільки важливо розуміти не лише кінцевий прояв хвороби, а й глибинні правила, які керують клітинною поведінкою.
Новий підхід не робить ШІ “всезнаючим”, але дає йому важливу наукову здатність: краще працювати з причинністю в складних системах.
Для біології це може означати точніше розуміння того, як структура ДНК впливає на роботу генів. Для медицини — нові способи аналізувати старіння, рак і розвиток клітин. Для кліматології — стабільніші методи відновлення прихованих параметрів атмосфери. Для матеріалознавства — кращі моделі речовин із неоднорідними властивостями.
Найважливіше, що цей метод рухає ШІ в бік пояснювальної науки. Не просто “передбачити відповідь”, а показати, які правила могли її створити.
Це спеціальні шари для нейромережі, які згладжують дані перед складними математичними обчисленнями. Завдяки цьому модель менше помиляється через шум і працює ефективніше.
У звичайній задачі ми знаємо причини й прогнозуємо результат. В оберненій задачі ми бачимо результат і намагаємося знайти приховані причини.
Структура хроматину впливає на те, які гени активні. Новий метод може допомогти зрозуміти, які епігенетичні процеси формують цю структуру.
Потенційно так. Оскільки погода описується складними рівняннями й містить багато прихованих параметрів, стабільніші обернені методи можуть бути корисними для кліматичних і атмосферних моделей.
Найцікавіше в цьому відкритті не те, що ШІ став більшим або потужнішим. Навпаки — він став математично тоншим.
Mollifier Layers показують, що майбутнє штучного інтелекту в науці може полягати не лише в гігантських моделях і величезних дата-центрах, а в розумніших способах ставити запитання до природи. Адже іноді, щоб зрозуміти Всесвіт, потрібно не рухатися вперед — а навчитися правильно йти назад.
Підписуйтеся на нас вГугл Новини, а також читайте вТелеграміФейсбук