Chinesische Forscher stehen kurz davor, „echte KI-Wissenschaftler“ zu schaffen

Chinesische Forscher stehen kurz vor einem bahnbrechenden Ansatz zur Entwicklung von „Wissenschaftlern der künstlichen Intelligenz (KI)“, die in der Lage sind, Experimente durchzuführen und wissenschaftliche Probleme zu lösen. Jüngste Fortschritte bei Deep-Learning-Modellen haben die wissenschaftliche Forschung revolutioniert, aber aktuelle Modelle haben immer noch Schwierigkeiten, reale physikalische Interaktionen genau nachzubilden.

Ein Forscherteam der Peking-Universität und des Oriental Institute of Technology (EIT) in China hat jedoch ein neues Framework zum Trainieren von Modellen für maschinelles Lernen entwickelt, das neben Daten auch auf Vorwissen wie Gesetzen der Physik oder mathematischer Logik basiert.

Südchinesische Morgenpost berichtet, dass ein solcher Ansatz zur Schaffung „echter Wissenschaftler mit künstlicher Intelligenz“ führen könnte, die Experimente verbessern und wissenschaftliche Probleme lösen können. Deep-Learning-Modelle haben die wissenschaftliche Forschung maßgeblich beeinflusst, indem sie Zusammenhänge in großen Datensätzen aufdecken. Trotz dieser Fortschritte stoßen aktuelle Modelle wie Sora von OpenAI auf Einschränkungen bei der genauen Simulation bestimmter physikalischer Interaktionen in der realen Welt.

Beispielsweise erfreut sich Sora, ein Text-zu-Video-Modell, aufgrund seiner verbesserten, realistischen Darstellung von Objekten großer Beliebtheit. Es kann jedoch grundlegende Interaktionen nicht genau modellieren, beispielsweise die Richtung, in die sich die Flamme der Kerzen auf der Weihnachtstorte bewegt.

Forscher schlagen vor, „Vorkenntnisse“ wie Gesetze der Physik oder mathematische Logik zusammen mit Daten zu integrieren, um genauere Modelle für maschinelles Lernen zu trainieren.

Die Einbettung menschlichen Wissens in KI-Modelle kann deren Effektivität und Vorhersagefähigkeit steigern. Um dieses Problem zu lösen, entwickelte das Team einen Rahmen zur Bewertung des Werts von Vorwissen und zur Bestimmung seines Einflusses auf die Modellgenauigkeit. Ihr Rahmenwerk zielt darauf ab, den Wert von Wissen mithilfe abgeleiteter Regeln zu bewerten und dabei Faktoren wie Datenmenge und Bewertungsbereich zu berücksichtigen. Durch die Durchführung quantitativer Experimente versuchen Forscher, die komplexe Beziehung zwischen Daten und Vorwissen, einschließlich Abhängigkeits-, Synergie- und Substitutionseffekten, aufzuklären.

Dieses Modelldiagnosesystem kann auf verschiedene Netzwerkarchitekturen angewendet werden und bietet ein umfassendes Verständnis der Rolle von Vorwissen in Deep-Learning-Modellen.

Die Forscher testeten ihr Framework an Modellen zur Lösung mehrdimensionaler Gleichungen und zur Vorhersage der Ergebnisse chemischer Experimente. Sie fanden heraus, dass die Einbeziehung von Vorkenntnissen die Leistung dieser Modelle erheblich verbesserte, insbesondere in wissenschaftlichen Bereichen, in denen die Übereinstimmung mit physikalischen Gesetzen entscheidend ist, um potenziell katastrophale Folgen zu vermeiden. Langfristig strebt das Team die Entwicklung von KI-Modellen an, die relevantes Wissen ohne menschliches Eingreifen selbstständig identifizieren und anwenden können.

Sie erkennen jedoch an, dass mit zunehmender Datenmenge im Modell Probleme wie die Dominanz allgemeiner Regeln gegenüber spezifischen lokalen Regeln auftreten können, insbesondere in Bereichen wie Biologie und Chemie, in denen allgemeine Regeln fehlen können.

Lesen Sie auch:

•  Das gepanzerte Fahrzeug Cockerill iX erhielt KI für den effektiven Kampf gegen Drohnen
• Was ist AMD XDNA? Die Architektur, die KI auf Ryzen-Prozessoren antreibt