AI با علم مواد ملاقات می کند: وعده و مشکلات کشف خودکار

هفته گذشته، تیمی از محققان دانشگاه کالیفرنیا برکلی یک مورد بسیار مورد انتظار را منتشر کردند کاغذ در مجله طبیعت توصیف یک “آزمایشگاه مستقل” یا “A-Lab” که با هدف استفاده از هوش مصنوعی (هوش مصنوعی) و رباتیک برای تسریع در کشف و سنتز مواد جدید.

آزمایشگاه A-Lab که به آن “آزمایشگاه خودران” لقب داده شده است چشم انداز جاه طلبانه آنچه که یک سیستم مجهز به هوش مصنوعی می تواند در تحقیقات علمی به آن دست یابد، وقتی که مجهز به آخرین تکنیک ها در مدل سازی محاسباتی، یادگیری ماشین، اتوماسیون و پردازش زبان طبیعی باشد.

با این حال، طی چند روز پس از انتشار، تردیدها در مورد برخی از ادعاها و نتایج کلیدی ارائه شده در مقاله شروع شد.

رابرت پالگریو، استاد شیمی معدنی و علم مواد در دانشگاه کالج لندن با چندین دهه تجربه در کریستالوگرافی اشعه ایکس، یک سری نگرانی های فنی در X (توئیتر سابق) در مورد تناقضاتی که او در داده ها و تجزیه و تحلیل ارائه شده به عنوان شواهدی برای موفقیت های ادعایی A-Lab متوجه شد.

به طور خاص، پالگریو استدلال کرد که شناسایی فاز مواد سنتز شده توسط هوش مصنوعی A-Lab از طریق پراش پرتو ایکس پودر (XRD) به نظر می رسد در تعدادی از موارد دارای نقص جدی است و برخی از مواد جدید سنتز شده قبلاً کشف شده اند.

تلاش های امیدوارکننده هوش مصنوعی – و مشکلات آنها

نگرانی های پالگریو، که او در مصاحبه با VentureBeat و نامه ای اشاره کرد طبیعتحول تفسیر هوش مصنوعی از داده‌های XRD بچرخید – تکنیکی شبیه به گرفتن اثر انگشت مولکولی از یک ماده برای درک ساختار آن.

XRD را به عنوان یک دوربین با تکنولوژی بالا تصور کنید که می تواند از اتم ها در یک ماده عکس بگیرد. هنگامی که اشعه ایکس به اتم ها برخورد می کند، پراکنده می شوند و الگوهایی را ایجاد می کنند که دانشمندان می توانند بخوانند، مانند استفاده از سایه ها روی دیوار برای تعیین شکل شی منبع.

به طور مشابهی که کودکان از سایه های دست برای کپی کردن اشکال حیوانات استفاده می کنند، دانشمندان مدل هایی از مواد می سازند و سپس می بینند که آیا این مدل ها الگوهای پرتو ایکس مشابهی را تولید می کنند که اندازه گیری کرده اند یا خیر.

پالگریو خاطرنشان کرد که مدل‌های هوش مصنوعی با الگوهای واقعی مطابقت ندارند و نشان می‌دهد که هوش مصنوعی ممکن است در تفاسیر خود کمی خلاقیت داشته باشد.

پالگریو استدلال کرد که این نشان دهنده چنان شکست اساسی در برآورده کردن استانداردهای پایه شواهد برای شناسایی مواد جدید است که تز اصلی مقاله – مبنی بر اینکه ۴۱ جامد معدنی مصنوعی جدید تولید شده است – قابل تایید نیست.

پالگریو در نامه‌ای به نیچر، نمونه‌های متعددی را توضیح داد که در آن داده‌ها به سادگی از نتیجه‌گیری‌های گرفته شده پشتیبانی نمی‌کردند. در برخی موارد، مدل‌های محاسبه‌شده ارائه‌شده برای مطابقت با اندازه‌گیری‌های XRD به‌طور چشمگیری با الگوهای واقعی تفاوت داشتند که «تردیدهای جدی در مورد ادعای اصلی این مقاله، مبنی بر تولید مواد جدید وجود دارد».

اگرچه او همچنان از طرفداران استفاده از هوش مصنوعی در علوم است، پالگریو این سوال را مطرح می کند که آیا چنین کاری می تواند به طور واقع بینانه به طور کاملا مستقل با فناوری فعلی انجام شود. او می‌گوید: «هنوز به سطحی از تأیید انسانی نیاز است.

پالگریو سخنی کوتاهی نکرد: “مدل هایی که آنها می سازند در برخی موارد کاملاً با داده ها متفاوت هستند، حتی کمی نزدیک نیستند، مانند کاملا، کاملاً متفاوت.” پیام او؟ تلاش‌های مستقل هوش مصنوعی ممکن است نتیجه را از دست داده باشد و یک لمس انسانی می‌تواند آن را به درستی هدایت کند.

لمس انسان در صعود هوش مصنوعی

گربراند سدر، رئیس گروه سدر در برکلی، در پاسخ به موج شک و تردید، وارد مبارزه شد. یک پست لینکدین.

سدر شکاف‌ها را تأیید کرد و گفت: «ما از بازخورد او در مورد داده‌هایی که به اشتراک گذاشته‌ایم قدردانی می‌کنیم و قصد داریم به آن رسیدگی کنیم. [Palgrave’s] نگرانی های خاص در این پاسخ. سدر اعتراف کرد که در حالی که A-Lab مقدمات را ایجاد کرد، همچنان به چشم فهیم دانشمندان بشری نیاز داشت.

به روز رسانی Ceder شامل شواهد جدیدی بود که از موفقیت هوش مصنوعی در ایجاد ترکیبات با مواد مناسب پشتیبانی می کرد. با این حال، او اذعان کرد: «یک انسان می تواند کیفیت بالاتری را انجام دهد [XRD] پالایش روی این نمونه‌ها، با شناخت محدودیت‌های فعلی هوش مصنوعی.

سدر همچنین تاکید کرد که هدف این مقاله “نشان دادن آنچه یک آزمایشگاه مستقل می تواند به دست آورد” است نه ادعای کمال. و پس از بررسی، روش های تحلیل جامع تری هنوز مورد نیاز بود.

این گفتگو دوباره به رسانه های اجتماعی سرایت کرد، با پالگریو و پروفسور پرینستون لزلی شوپ بررسی پاسخ Ceder Group. رفت و برگشت آنها یک نکته کلیدی را برجسته می کند: هوش مصنوعی ابزاری امیدوارکننده برای آینده علم مواد است، اما آماده به کار انفرادی نیست.

گام‌های بعدی پالگریو و تیمش، تجزیه و تحلیل مجدد نتایج XRD است، با چشم‌اندازی برای ارائه توصیفی بسیار دقیق‌تر از ترکیباتی که واقعاً سنتز شده‌اند.

پیمایش مشارکت هوش مصنوعی و انسان در علم

برای کسانی که در نقش های رهبری اجرایی و شرکتی هستند، این آزمایش یک مطالعه موردی در پتانسیل و محدودیت های هوش مصنوعی در تحقیقات علمی است. این نشان دهنده اهمیت تلفیق سرعت هوش مصنوعی با نظارت دقیق کارشناسان انسانی است.

درس‌های کلیدی واضح است: هوش مصنوعی می‌تواند با انجام کارهای سنگین، پژوهش را متحول کند، اما هنوز نمی‌تواند قضاوت دقیق دانشمندان با تجربه را تکرار کند. این آزمایش همچنین بر ارزش بررسی همتایان و شفافیت در تحقیقات تأکید می‌کند، زیرا نقدهای متخصص Palgrave و Schoop زمینه‌های بهبود را برجسته کرده‌اند.

با نگاهی به آینده، آینده شامل ترکیبی هم افزایی از هوش مصنوعی و هوش انسانی است. آزمایش گروه Ceder علیرغم ایراداتش، یک گفتگوی اساسی درباره نقش هوش مصنوعی در پیشرفت علم ایجاد کرده است. این یادآوری است که در حالی که فناوری می تواند مرزها را جابجا کند، این حکمت تجربه انسانی است که تضمین می کند ما در مسیر درست حرکت می کنیم.
این آزمایش هم گواهی بر پتانسیل هوش مصنوعی در علم مواد و هم یک داستان هشداردهنده است. این یک فریاد جمعی برای محققان و مبتکران فناوری است تا ابزارهای هوش مصنوعی را اصلاح کنند و اطمینان حاصل کنند که آنها شرکای قابل اعتمادی در جستجوی دانش هستند. آینده از هوش مصنوعی در علم در واقع درخشان است، اما زمانی که توسط کسانی که درک عمیقی از پیچیدگی های جهان دارند هدایت شود، درخشان ترین خود را خواهد درخشید.