Однако совпадение расчетов с наблюдениями всё ещё недостаточно для настоящего научного открытия
Учёные из Института ELLIS в Тюбингене и Тюбингенского университета представили описание того, как искусственный интеллект начинает автоматизировать создание научных моделей. Авторы статьи, опубликованной в блоге Anthropic, выделяют три ключевых этапа научного моделирования: разработка модели, оптимизация её параметров и интерпретация полученных результатов. Ранее все эти процессы требовали непосредственного участия исследователей. Теперь ИИ-системы медленно осваивают каждый из этих этапов, причём наибольшие достижения достигнуты в настройке моделей на основе экспериментальных данных.
В качестве примера авторы упоминают модель Ходжкина — Хаксли, разработанную в 1951 году физиологами Аланом Ходжкиным и Эндрю Хаксли для описания электрических импульсов нервных клеток. После поломки компьютера в Кембриджском университете Хаксли был вынужден более трёх недель вручную решать уравнения на механическом калькуляторе. Учёные пришли к выводу, что для точного воспроизведения измеренной активности нейрона одна из переменных должна быть включена в уравнение в четвёртой степени. Они предположили, что это связано с необходимостью перемещения нескольких заряженных частиц для открытия ионного канала. Спустя десятилетия выяснилось, что родственный калиевый канал действительно состоит из четырех идентичных белковых компонентов, окружающих центральное отверстие.
Сегодня ИИ потенциально может выполнить аналогичную задачу за несколько часов. Для оптимизации 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 около 100 000 симуляций, а для более сложных систем — миллионы. После обучения нейросеть может оценивать параметры новых экспериментов за считанные секунды.
Такой подход позволяет получить не один оптимальный набор параметров, а целое распределение вероятных вариантов. Это важно, поскольку различные настройки модели могут одинаково успешно воспроизводить экспериментальные данные, но давать разные предсказания. Аналогичный принцип авторы предлагают использовать и при создании самих моделей. ИИ-агент получает описание исследуемой системы и данные экспериментов, самостоятельно генерирует несколько вариантов уравнений, пишет для них код, запускает симуляции, сопоставляет результаты с наблюдениями и корректирует модели. Более сложные объяснения, требующие множества дополнительных параметров, получают меньший приоритет по сравнению с простыми моделями, хорошо соответствующими данным.
Подобные системы уже начинают появляться: за последние два года было опубликовано несколько исследований, в которых большие языковые модели (LLM) самостоятельно разрабатывают научные модели. Однако пока что они в основном тестировались на задачах, для которых учёные уже знали правильные ответы. В настоящее время недостаточно доказательств того, что ИИ может успешно находить объяснения принципиально новых явлений. Автоматизировать третий этап — интерпретацию — ещё сложнее. Точное воспроизведение наблюдений не доказывает, что модель адекватно описывает механизм реального процесса. Для этого необходимо сравнивать альтернативные объяснения и выяснять, какие свойства системы действительно подтверждаются экспериментами.
Авторы полагают, что многообещающий подход заключается в создании не одной модели, а набора объяснений, согласующихся с имеющимися данными. Если различные модели предсказывают одинаковое поведение системы после внешнего воздействия, то такое предсказание получает более надёжное обоснование. Если же результаты различаются, 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 разрабатываются модели активности зрительной системы. По мере усложнения таких систем найти единственно верное описание становится всё труднее. Таким образом, задача ИИ в науке заключается не только в быстром получении уравнения, которое подходит к данным, но и в демонстрации, какие объяснения выдерживают проверку, где сохраняется неопределённость и какие эксперименты помогут её устранить.
Источник