ایجاد یک فرضیه پژوهشی نوآورانه و متقاعدکننده یکی از مهارت‌های اساسی برای هر دانشمندی است. با این حال، این فرآیند می‌تواند بسیار زمان‌بر باشد؛ به طوری که گاهی دانشجویان دکتری سال اول تحصیل خود را صرف تلاش برای تصمیم‌گیری درباره موضوع دقیق آزمایش‌های خود می‌کنند. اما اگر هوش مصنوعی بتواند در این مسیر کمک کند، چه اتفاقی خواهد افتاد؟
محققان MIT روشی را طراحی کرده‌اند که از طریق همکاری انسان و هوش مصنوعی امکان ایجاد و ارزیابی خودکار فرضیه‌های پژوهشی نوآورانه در زمینه‌های مختلف را فراهم می‌کند. در مقاله‌ای جدید، این محققان نحوه استفاده از این چارچوب را برای ایجاد فرضیه‌های مبتنی بر شواهد در راستای نیازهای تحقیقاتی برآورده‌نشده در حوزه مواد زیست‌الهام (مواد الهام‌گرفته از طبیعت) شرح داده‌اند.
این مطالعه که در مجله Advanced Materials منتشر شده است، به همکاری علی‌رضا غفاراللهی، محقق پسادکتری در آزمایشگاه مکانیک اتمی و مولکولی (LAMM)، و مارکوس بولر، استاد مهندسی دانشگاه MIT، انجام شده است. بولر رئیس آزمایشگاه LAMM و یکی از برجسته‌ترین متخصصان دانشکده‌های مهندسی عمران و محیط زیست و مهندسی مکانیک MIT است.
سیستمی به نام SciAgents
این چارچوب، که “SciAgents” نامیده می‌شود، از چندین عامل هوش مصنوعی تشکیل شده است که هر یک توانمندی‌های ویژه خود را دارند و به داده‌های خاصی دسترسی دارند. این سیستم از روش‌های “استدلال گراف” بهره می‌گیرد، جایی که مدل‌های هوش مصنوعی با استفاده از یک گراف دانش، روابط بین مفاهیم علمی مختلف را سازمان‌دهی و تعریف می‌کنند. رویکرد چندعاملی این چارچوب مشابه نحوه سازمان‌دهی سیستم‌های زیستی به صورت واحدهای بنیادی کوچک است.
مارکوس بولر توضیح می‌دهد که این اصل “تقسیم و غلبه” در سطوح مختلف زیست‌شناسی، از مواد و حشرات تا تمدن‌ها، بسیار رایج است. او می‌گوید: «با استفاده از چندین عامل هوش مصنوعی، ما سعی می‌کنیم فرآیند کشف علمی توسط جوامع دانشمندان را شبیه‌سازی کنیم، اما به جای تکیه بر تصادف و کندی در تعاملات روزمره، هدف ما این است که فرآیند کشف را سرعت بخشیم.»
ایده‌های خوب، به طور خودکار
محققان MIT با هدف گسترش توانایی‌های هوش مصنوعی در جهت تولید ایده‌های جدید، سیستمی ایجاد کرده‌اند که فراتر از بازیابی اطلاعات ذخیره‌شده در مدل‌های زبان عمل می‌کند. این چارچوب بر اساس یک گراف دانش مبتنی بر اصول علمی بنا شده است که مفاهیم علمی متنوع را پیوند می‌دهد.
برای ایجاد گراف دانش، محققان مجموعه‌ای از مقالات علمی را به یک مدل هوش مصنوعی مولد معرفی کردند. در پروژه قبلی، بولر از روشی ریاضی معروف به “تئوری دسته‌ها” برای کمک به مدل‌های هوش مصنوعی در گسترش انتزاعی مفاهیم علمی و تجزیه و تحلیل آنها استفاده کرده بود. این فرآیند به مدل‌ها اجازه می‌دهد تفاوت‌های بین حوزه‌های مختلف علمی را بهتر درک کرده و نتیجه‌گیری بهتری کنند.
در این پروژه، حدود ۱۰۰۰ مطالعه علمی در حوزه مواد زیستی استفاده شده است، اما بولر اشاره می‌کند که ساخت گراف‌های دانش می‌تواند با تعداد کمتر یا بیشتری از مقالات از هر حوزه‌ای انجام شود.
فرآیند پیشنهادی و نقش عوامل مختلف
سیستم هوش مصنوعی طراحی‌شده در این پروژه از مدل‌هایی تشکیل شده است که هرکدام مسئولیت خاصی دارند. یکی از این مدل‌ها که “Ontologist” نام دارد، وظیفه شناسایی اصطلاحات علمی و تعریف ارتباطات آنها را بر عهده دارد. مدل دیگری با نام “Scientist 1” پیشنهادی برای تحقیق ارائه می‌دهد که شامل بحث پیرامون یافته‌های پیش‌بینی‌شده، تأثیر کلی تحقیق و مکانیسم‌های احتمالی آن است.
مدل “Scientist 2” ایده اولیه را گسترش می‌دهد و پیشنهادهایی برای ابزارهای شبیه‌سازی یا آزمایشات خاص ارائه می‌کند. در نهایت، مدل “Critic” مزایا و معایب پروژه پیشنهادی را بررسی کرده و پیشنهادهایی برای بهبود آن ارائه می‌دهد.
بولر توضیح می‌دهد: «ما یک تیم از متخصصان می‌سازیم که همه به صورت یکسان فکر نمی‌کنند. مدل Critic عمداً طوری طراحی شده که انتقادی باشد و نقاط ضعف هر پیشنهاد را بررسی کند.»
قدرت بهبود مستمر
برای اعتبارسنجی این سیستم، محققان با استفاده از کلمات کلیدی “ابریشم” و “پر انرژی”، گراف دانشی ایجاد کردند و از سیستم خواستند که ایده‌هایی ارائه دهد. مدل اولیه پیشنهادی برای استفاده از رنگ‌دانه‌های الهام‌گرفته از قاصدک برای تقویت خواص مکانیکی و نوری ابریشم ارائه کرد. مدل‌های دیگر ایده اولیه را با پیشنهادهایی درباره آزمایشات و تأثیرات زیست‌محیطی توسعه دادند.
در آزمایش‌های دیگر، این سیستم توانست ایده‌های جدیدی در رابطه با چیپ‌های میکروفلوییدیک زیست‌الهام، بهبود سازه‌های مبتنی بر کلاژن و تعامل گرافن با فیبریل‌های آمیلوئید برای ساخت دستگاه‌های زیوالکترونیکی ارائه کند.
بولر می‌گوید: «مهم‌ترین نکته این است که این سیستم قادر است ایده‌های علمی برگرفته از مسیرهای مبتنی بر دانش را ارائه دهد. هدف آینده ما این است که هزاران ایده پژوهشی تولید کنیم و آنها را طبقه‌بندی و تحلیل کنیم.»
این چارچوب همچنین امکان توسعه بیشتر دارد. به عنوان مثال، می‌توان مدل‌های پایه را با مدل‌های پیشرفته‌تر جایگزین کرد و سیستم را با آخرین نوآوری‌های هوش مصنوعی به‌روز نگه داشت.
بولر توضیح می‌دهد که تعامل بین عوامل در این سیستم به گونه‌ای است که حتی بهبود جزئی یکی از مدل‌ها تأثیر قابل‌توجهی بر خروجی کلی سیستم دارد.
از زمان انتشار پیش‌نویس این پروژه با جزئیات متن‌باز، محققان پاسخ‌های زیادی از افراد علاقه‌مند به استفاده از این چارچوب در زمینه‌های علمی، مالی و امنیت سایبری دریافت کرده‌اند.
بولر می‌گوید: «هدف ما این است که فرآیند ایده‌پردازی و کشف علمی را کارآمدتر کنیم، به‌طوری که بتوان از منابع آزمایشگاهی فقط در مراحل نهایی تحقیق استفاده کرد. چشم‌انداز ما ایجاد ابزاری است که استفاده از آن آسان باشد و بتوان بدون نیاز به مهارت‌های پیچیده، به نتایج فوق‌العاده‌ای دست یافت.»
منبع: Advanced Materials