Pesquisadores chineses prestes a criar “verdadeiros cientistas de IA”

Os investigadores chineses estão à beira de uma abordagem inovadora para desenvolver “cientistas de inteligência artificial (IA)” capazes de conduzir experiências e resolver problemas científicos. Avanços recentes em modelos de aprendizagem profunda revolucionaram a pesquisa científica, mas os modelos atuais ainda lutam para imitar com precisão as interações físicas do mundo real.

No entanto, uma equipa de investigadores da Universidade de Pequim e do Instituto Oriental de Tecnologia (EIT) na China desenvolveu uma nova estrutura para treinar modelos de aprendizagem automática baseados em conhecimentos prévios, como leis da física ou lógica matemática, juntamente com dados.

South China Morning Post relata que tal abordagem poderia levar à criação de “verdadeiros cientistas com inteligência artificial” que podem melhorar experimentos e resolver problemas científicos. Os modelos de aprendizagem profunda influenciaram significativamente a investigação científica, revelando relações em grandes conjuntos de dados. Apesar desses avanços, os modelos atuais, como o Sora da OpenAI, enfrentam limitações na simulação precisa de certas interações físicas no mundo real.

Por exemplo, Sora, um modelo de texto para vídeo, ganhou grande popularidade devido à sua representação aprimorada e realista de objetos. No entanto, ele não pode modelar com precisão as interações básicas, por exemplo, a direção na qual a chama das velas do bolo natalino se move.

Os pesquisadores sugerem incorporar “conhecimento prévio”, como leis da física ou lógica matemática, junto com dados para treinar modelos de aprendizado de máquina mais precisos.

Incorporar o conhecimento humano em modelos de IA pode aumentar a sua eficácia e capacidade preditiva. Para resolver este problema, a equipe desenvolveu uma estrutura para avaliar o valor do conhecimento prévio e determinar o seu impacto na precisão do modelo. O seu quadro visa avaliar o valor do conhecimento utilizando regras derivadas, tendo em conta factores como o volume de dados e o intervalo de avaliação. Ao conduzir experimentos quantitativos, os pesquisadores procuram elucidar a complexa relação entre dados e conhecimento prévio, incluindo dependência, sinergia e efeitos de substituição.

Este sistema de diagnóstico de modelo pode ser aplicado a diversas arquiteturas de rede, proporcionando uma compreensão abrangente do papel do conhecimento prévio em modelos de aprendizagem profunda.

Os pesquisadores testaram sua estrutura em modelos para resolver equações multidimensionais e prever resultados de experimentos químicos. Eles descobriram que a incorporação de conhecimentos prévios melhorou muito o desempenho destes modelos, especialmente em campos científicos onde a consistência com as leis físicas é crítica para evitar resultados potencialmente catastróficos. A longo prazo, a equipa pretende desenvolver modelos de IA que possam identificar e aplicar de forma independente conhecimentos relevantes, sem intervenção humana.

No entanto, reconhecem que à medida que a quantidade de dados no modelo aumenta, podem surgir problemas como a predominância de regras gerais sobre regras locais específicas, especialmente em domínios como a biologia e a química, onde podem faltar regras gerais.

Leia também:

•  O veículo blindado Cockerill iX recebeu IA para combate eficaz contra drones
• O que é AMD XDNA? A arquitetura que alimenta a IA nos processadores Ryzen