AI genererer hypoteser, som forskere ikke selv har tænkt på

I søgen efter nye materialer til udvikling af batterier til elbiler har forskere udviklet et neuralt netværk, der fandt frem til fire nye potentielle materialer, der kan bruges helt eller delvist til batteriproduktion.

At opstille hypoteser har længe været et rent menneskeligt område, men nu ser vi, at videnskabsfolk begynder at anvende kunstig intelligens og maskinlæring til at skabe originale hypoteser og muligheder.

Hypoteser er ikke længere forbeholdt mennesket

Neurale netværk (en type maskinlæringsopsætning med en struktur inspireret af den menneskelige hjerne, red.) bliver designet, så de foreslår nye hypoteser baseret på mønstre. Disse mønstre finder netværkene i data i stedet for at basere sig på menneskelige antagelser.

Se også: Quantum computing kan ændre alt ved AI

Sådan kan AI bruges til at opstille hypoteser

I forbindelse med at finde nye batterimaterialer ville (de menneskelige) forskere normalt have benyttet sig af databasesøgningsværktøjer, modellering og deres egen intuition om kemikalier til at finde frem til nyttige forbindelser.

Forskere på University of Liverpool i England har derimod udviklet et neuralt netværk, der rangerede kemiske kombinationer efter, hvor sandsynligt det var, at de ville resultere i et nyt, nyttigt materiale. Forskerne brugte den kunstige intelligens til at udvælge nyttige kemikalier fra en liste med mere end 300 muligheder.

Derefter brugte forskerne disse placeringer til at styre deres eksperimenter i laboratoriet. De identificerede fire lovende kandidater til batterimaterialer uden at skulle teste alt på deres liste. Det sparede dem for måneders forsøg og fejltagelser, lyder det ifølge folkene bag rapporten.

Andrij Vasylenko, der er forskningsassistent ved University of Liverpool og medforfatter til undersøgelsen, der er offentliggjort i Nature Communications, kalder kort og godt værktøjet for ”fantastisk”.

”Den kunstige intelligens hjælper med at identificere de kemiske kombinationer, der er værd at kigge på, så vi kan dække et meget større kemisk område hurtigere,” forklarer han.

Medforfatter professor Matt Rosseinsky forklarer også, at forskere hidtil har haft den tilgang at designe nye materialer ved at lave en tæt kobling med eksisterende materialer, men det fører ofte til materialer, der ligner dem, vi allerede har.

“Vi har derfor brug for nye værktøjer, der reducerer den tid og indsats, der kræves for at opdage virkelig nye materialer, som for eksempel det værktøj, der er udviklet her, og som kombinerer kunstig intelligens og menneskelig intelligens for at få det bedste fra begge dele”.

Se også: Produktion af batterier til elbiler er dyr og besværlig

Black Box-problemet

I de seneste 10 år er maskinlæring blevet et populært værktøj til at klassificere store mængder af data og lave forudsigelser. Det kan imidlertid være meget vanskeligt at forklare det logiske grundlag for dens beslutninger. Denne mangel på gennemsigtighed er blevet kaldt “black box-problemet”.

Nogle forskere forsøger at gøre den sorte boks gennemsigtig ved at udvikle fortolkningsteknikker, som forsøger at give en trinvis forklaring på, hvordan et netværk når frem til sine svar. Metoden kritiseres for ikke at gøre det muligt at nå et højt detaljeringsniveau fra komplekse maskinlæringsmodeller, men forskere kan ofte identificere større tendenser i den måde, hvorpå et netværk behandler data. Og det kan føre til overraskende opdagelser, der kan fremskynde forskningsprocessen.

Se også: Nyheder om kunstig intelligens