Однако совпадение вычислений с наблюдениями пока что недостаточно для подлинного научного открытия
Ученые из ELLIS в Тюбингене и Тюбингенского университета описали, как искусственный интеллект начинает автоматизировать создание научных моделей. Авторы статьи, опубликованной в блоге Anthropic, выделяют три ключевых этапа научного моделирования: создание модели, настройка её параметров и интерпретация полученных результатов. Ранее все эти этапы требовали непосредственного участия исследователей. В настоящее время ИИ-системы постепенно осваивают каждый из этих этапов, причем наиболее значительный прогресс достигнут в настройке моделей на основе экспериментальных данных.
В качестве примера авторы приводят модель Ходжкина — Хаксли, разработанную в 1951 году физиологами Аланом Ходжкиным и Эндрю Хаксли для описания электрических импульсов нервных клеток. После поломки компьютера Кембриджского университета Хаксли пришлось более трёх недель вручную вычислять уравнения на механическом калькуляторе. Исследователи нашли, что для точного воспроизведения измеренной активности нейрона одна из переменных должна входить в уравнение в четвёртой степени. Они предположили, что это связано с необходимостью перемещения нескольких заряженных частиц для открытия ионного канала. Спустя десятилетия выяснили, что родственный калиевый канал действительно состоит из четырёх идентичных белковых частей, окружающих центральное отверстие.
В настоящее время ИИ потенциально может осуществить аналогичную работу за считанные часы. Для настройки параметров сложных моделей применяются нейросети и метод simulation-based inference (SBI, статистический вывод на основе симуляций). Алгоритм многократно запускает модель с различными параметрами, собирает результаты и обучает нейросеть определять, какие настройки могли привести к наблюдаемым данным. Для модели Ходжкина — Хаксли может потребоваться порядка 100 000 симуляций, а для более сложных систем — миллионы. После обучения нейросеть способна оценивать параметры новых экспериментов за секунды.
Такой подход позволяет получить не один оптимальный набор параметров, а целое распределение вероятных вариантов. Это важно, поскольку различные настройки модели могут одинаково хорошо воспроизводить экспериментальные данные, но давать разные предсказания. Аналогичный принцип авторы предлагают использовать и при разработке самих моделей. ИИ-агент получает описание изучаемой системы и данные экспериментов, самостоятельно предлагает несколько вариантов уравнений, пишет для них код, запускает симуляции, сравнивает результаты с наблюдениями и корректирует модели. Более сложные объяснения, требующие множества дополнительных параметров, получают меньшее предпочтение, чем простые модели, которые хорошо согласуются с данными.
Подобные системы уже начинают появляться: за последние два года опубликовано несколько работ, в которых большие языковые модели (LLM) самостоятельно разрабатывают научные модели. Однако до сих пор их в основном проверяли на задачах, для которых учёные уже знали правильные ответы. Доказательства того, что ИИ способен успешно находить объяснения принципиально новых явлений, на данный момент недостаточны. Ещё сложнее автоматизировать третий этап — интерпретацию. Точное воспроизведение наблюдений не подтверждает, что модель правильно описывает механизм реального процесса. Для этого необходимо сравнивать альтернативные объяснения и выяснять, какие свойства системы действительно подтверждаются экспериментами.
Авторы считают, что многообещающий подход заключается в создании не одной модели, а набора объяснений, согласующихся с имеющимися данными. Если разные модели предсказывают одинаковое поведение системы после внешнего воздействия, то такое предсказание получает более надёжное обоснование. Если же результаты расходятся, это указывает на необходимость проведения новых экспериментов. В качестве примера авторы рассматривают моделирование мозга плодовой мушки: его схема связей включает более 100 000 нейронов, и на её основе уже создаются модели активности зрительной системы. По мере усложнения таких систем найти единственное правильное описание становится всё более затруднительно. Поэтому задача ИИ в науке — не просто быстро получить уравнение, которое соответствует данным, а показать, какие объяснения выдерживают проверку, где сохраняется неопределённость и какие эксперименты помогут её устранить.
Источник