مدل هوش مصنوعی مبتنی بر نمودار، آینده نوآوری را ترسیم می کند

تصور کنید از هوش مصنوعی برای مقایسه دو خلاقیت به ظاهر نامرتبط استفاده کنید – بافت بیولوژیکی و “سمفونی شماره 9” بتهوون. در نگاه اول، یک سیستم زنده و یک شاهکار موسیقی ممکن است هیچ ارتباطی با هم نداشته باشند. با این حال، یک روش جدید هوش مصنوعی که توسط Markus J. Buehler، استاد مهندسی McAfee و استاد مهندسی عمران و محیط زیست و مهندسی مکانیک در MIT توسعه یافته است، این شکاف را پر می کند و الگوهای مشترک پیچیدگی و نظم را آشکار می کند.

این رویکرد با ترکیب هوش مصنوعی مولد با ابزارهای محاسباتی مبتنی بر نمودار، ایده‌ها، مفاهیم و طرح‌های کاملاً جدیدی را نشان می‌دهد که قبلا غیرقابل تصور بودند. بوهلر می‌گوید: ما می‌توانیم با آموزش هوش مصنوعی مولد برای پیش‌بینی‌های جدید درباره ایده‌ها، مفاهیم و طرح‌هایی که قبلاً دیده نشده‌اند، اکتشافات علمی را تسریع کنیم.

تحقیق دسترسی آزاد که اخیراً در یادگیری ماشینی: علم و فناوری، یک روش هوش مصنوعی پیشرفته را نشان می دهد که استخراج دانش مولد، نمایش مبتنی بر نمودار و استدلال گراف هوشمند چندوجهی را ادغام می کند.

این کار از نمودارهایی استفاده می‌کند که با استفاده از روش‌های الهام‌گرفته از نظریه دسته‌بندی به‌عنوان مکانیزم مرکزی برای آموزش مدل برای درک روابط نمادین در علم توسعه یافته‌اند. نظریه مقوله، شاخه ای از ریاضیات که به ساختارهای انتزاعی و روابط بین آنها می پردازد، چارچوبی را برای درک و یکسان سازی سیستم های متنوع از طریق تمرکز فراهم می کند. روی اشیاء و تعاملات آنها، به جای محتوای خاص آنها. در نظریه دسته‌بندی، سیستم‌ها برحسب اشیا (که می‌تواند هر چیزی باشد، از اعداد گرفته تا موجودات انتزاعی‌تر مانند ساختارها یا فرآیندها) و مورفیسم‌ها (فلش‌ها یا توابعی که روابط بین این اشیاء را تعریف می‌کنند) نگریسته می‌شوند. با استفاده از این رویکرد، بولر توانست به مدل هوش مصنوعی استدلال سیستماتیک بر روی مفاهیم و رفتارهای علمی پیچیده را آموزش دهد. روابط نمادین معرفی شده از طریق مورفیسم ها روشن می کند که هوش مصنوعی صرفاً تشبیهات را ترسیم نمی کند، بلکه درگیر استدلال عمیق تری است که ساختارهای انتزاعی را در دامنه های مختلف ترسیم می کند.

بوهلر از این روش جدید برای تجزیه و تحلیل مجموعه ای از 1000 مقاله علمی در مورد مواد بیولوژیکی استفاده کرد و آنها را به یک نقشه دانش در قالب یک نمودار تبدیل کرد. این نمودار نشان داد که چگونه قطعات مختلف اطلاعات به هم متصل شده اند و توانست گروه هایی از ایده های مرتبط و نکات کلیدی را پیدا کند که بسیاری از مفاهیم را به هم مرتبط می کند.

بولر می‌گوید: «چیزی که واقعاً جالب است این است که نمودار از ماهیت بدون مقیاس پیروی می‌کند، بسیار به هم متصل است و می‌تواند به طور مؤثر برای استدلال نمودار استفاده شود. به عبارت دیگر، ما به سیستم‌های هوش مصنوعی یاد می‌دهیم که در مورد داده‌های مبتنی بر نمودار فکر کنند تا به آن‌ها کمک کنیم مدل‌های بازنمایی بهتری از جهان بسازند و توانایی فکر کردن و کشف ایده‌های جدید را برای فعال کردن کشف افزایش دهند.»

محققان می‌توانند از این چارچوب برای پاسخ به سؤالات پیچیده، یافتن شکاف‌ها در دانش فعلی، پیشنهاد طرح‌های جدید برای مواد، و پیش‌بینی روش رفتار مواد و پیوند دادن مفاهیمی که قبلاً هرگز به هم مرتبط نبوده‌اند، استفاده کنند.

مدل هوش مصنوعی شباهت‌های غیرمنتظره‌ای بین مواد بیولوژیکی و «سمفونی شماره 9» پیدا کرد که نشان می‌دهد هر دو از الگوهای پیچیدگی پیروی می‌کنند. بولر می‌گوید: «همانند روش تعامل سلول‌ها در مواد بیولوژیکی به روش‌های پیچیده اما سازمان‌یافته برای اجرای یک عملکرد، سمفونی نهم بتهوون نت‌ها و مضامین موسیقی را تنظیم می‌کند تا یک تجربه موسیقی پیچیده اما منسجم ایجاد کند.

در آزمایش دیگری، مدل هوش مصنوعی مبتنی بر نمودار، ایجاد یک ماده بیولوژیکی جدید را با الهام از الگوهای انتزاعی موجود در نقاشی واسیلی کاندینسکی، “ترکیب VII” توصیه کرد. هوش مصنوعی یک ماده ترکیبی جدید مبتنی بر میسلیوم را پیشنهاد کرد. بوهلر خاطرنشان می کند: “نتیجه این ماده مجموعه ای خلاقانه از مفاهیم را ترکیب می کند که شامل تعادلی از هرج و مرج و نظم، ویژگی قابل تنظیم، تخلخل، استحکام مکانیکی، و عملکرد شیمیایی الگوی پیچیده است.” هوش مصنوعی با الهام گرفتن از یک نقاشی انتزاعی، ماده ای را ایجاد کرد که قوی بودن و کاربردی بودن را متعادل می کند و در عین حال سازگار و قادر به اجرای نقش های مختلف است. این برنامه می تواند منجر به توسعه مصالح ساختمانی پایدار، جایگزین های زیست تخریب پذیر برای پلاستیک، فناوری پوشیدنی و حتی دستگاه های زیست پزشکی شود.

با استفاده از این مدل پیشرفته هوش مصنوعی، دانشمندان می‌توانند بینش‌هایی از موسیقی، هنر و فناوری برای تجزیه و تحلیل داده‌های این زمینه‌ها برای شناسایی الگوهای پنهانی که می‌توانند دنیایی از امکانات نوآورانه برای طراحی مواد، تحقیقات و حتی موسیقی یا هنرهای تجسمی را ایجاد کنند، به دست آورند.

بوهلر می‌گوید: «هوش مصنوعی مولد مبتنی بر نمودار نسبت به روش‌های مرسوم به درجه جدیدی از نوآوری، کاوش در ظرفیت و جزئیات فنی دست می‌یابد و با آشکار کردن ارتباطات پنهان، چارچوبی بسیار مفید برای نوآوری ایجاد می‌کند. این مطالعه نه تنها به زمینه مواد و مکانیک الهام گرفته از زیستی کمک می کند، بلکه زمینه را برای آینده ای فراهم می کند که در آن تحقیقات بین رشته ای مبتنی بر هوش مصنوعی و نمودارهای دانش ممکن است به ابزاری برای تحقیقات علمی و فلسفی تبدیل شود، زیرا ما به کارهای آینده دیگر نگاه می کنیم. ”