В новой статье, представленной на конференции Neural Information Processing Systems 7 декабря, Ryan P. Адамс и Нильс Напп показали, что важный класс алгоритмов искусственного интеллекта может быть реализован с использованием химических реакций.
Эти алгоритмы, в которых используется метод, называемый «вывод передачи сообщений на факторных графах», представляют собой математическое соединение идей теории графов и теории вероятностей.
Они представляют собой новейшие достижения в области машинного обучения и уже являются важными компонентами повседневных инструментов, начиная от поисковых систем и обнаружения мошенничества до исправления ошибок в мобильных телефонах.
Работа Адамса и Наппа демонстрирует, что некоторые аспекты искусственного интеллекта (ИИ) могут быть реализованы в микроскопических масштабах с использованием молекул.
В долгосрочной перспективе, по словам исследователей, такие теоретические разработки могут открыть дверь для «умных лекарств», которые могут автоматически обнаруживать, диагностировать и лечить различные заболевания с помощью смеси химических веществ, которые могут выполнять рассуждения типа ИИ.
«Мы хорошо разбираемся в создании систем искусственного интеллекта, которые могут обучаться и адаптироваться в макроскопических масштабах; эти алгоритмы существуют за кулисами многих устройств, с которыми мы взаимодействуем каждый день», – говорит Адамс, доцент кафедры информатики в SEAS, чья интеллектуальная вероятностная Системная группа специализируется на машинном обучении и вычислительной статистике. «Эта работа показывает, что можно также создавать интеллектуальные машины в крошечных масштабах, не требуя ничего, что выглядело бы как обычный компьютер.
Такой вид искусственного интеллекта на химической основе будет необходим для создания методов лечения, которые чувствуют и адаптируются к окружающей среде. Есть надежда, что в конечном итоге появятся лекарства, которые могут специализироваться на вашей личной химии и могут диагностировать или лечить ряд патологий."
Адамс и Напп разработали инструмент, который может принимать вероятностные представления о неизвестном в мире (вероятностные графические модели на языке машинного обучения) и компилировать их в набор химических реакций, оценивающих величины, которые нельзя наблюдать напрямую. Ключевой вывод заключается в том, что динамика химических реакций отображается непосредственно на два типа вычислительных шагов, которые компьютерные ученые обычно выполняют in silico для достижения той же цели.
Это понимание открывает интересные новые вопросы для компьютерных ученых, работающих над статистическим машинным обучением, например, как разрабатывать новые алгоритмы и модели, специально предназначенные для решения неопределенности, с которой обычно сталкиваются молекулярные инженеры. В дополнение к долгосрочным возможностям интеллектуальной терапии, это может также открыть дверь для анализа путей естественных биологических реакций и регуляторных сетей как механизмов, выполняющих статистический вывод. Как и роботы, биологические клетки должны оценивать внешние состояния окружающей среды и воздействовать на них; разработка искусственных систем, которые выполняют эти задачи, может дать ученым лучшее понимание того, как такие проблемы могут быть решены на молекулярном уровне внутри живых систем.
«В настоящее время ведется много исследований по разработке химических вычислительных устройств», – говорит Напп, научный сотрудник Института Висс, работающий над платформой Bioinspired Robotics, и член группы исследования самоорганизующихся систем в SEAS.
Обе группы возглавляет Радхика Нагпал, профессор компьютерных наук Фреда Кавли в SEAS и один из основных преподавателей Wyss. В Институте Висса часть исследований Наппа включает разработку новых типов роботизированных устройств, которые перемещаются и адаптируются, как живые существа.
«Что отличает этот проект от других, так это то, что вместо того, чтобы нацеливаться на общие вычисления, мы сосредоточились на эффективном переводе конкретных алгоритмов, которые успешно решали сложные проблемы в таких областях, как робототехника, в молекулярные описания», – объясняет Напп. «Например, эти алгоритмы позволяют современным роботам принимать сложные решения и надежно использовать зашумленные датчики. Действительно интересно думать о том, что эти инструменты могут сделать для создания более совершенных молекулярных машин."
Действительно, машинное обучение коренным образом меняет многие области науки и техники. Возможность извлекать полезную информацию из огромного количества слабой и неполной информации не только подогревает текущий интерес к «большим данным», но также способствует быстрому прогрессу в более традиционных дисциплинах, таких как компьютерное зрение, оценка и робототехника, в которых хранятся данные. доступно, но трудно интерпретировать. Биоинженеры часто сталкиваются с аналогичными проблемами, поскольку многие молекулярные пути все еще плохо изучены, а доступные данные искажены случайным шумом.
Используя машинное обучение, эти проблемы теперь можно преодолеть, моделируя зависимости между случайными величинами и используя их для извлечения и накопления небольших объемов информации, которые предоставляет каждое случайное событие.
«Вероятностные графические модели – особенно эффективные инструменты для вычисления оценок ненаблюдаемых явлений», – говорит Адамс. «Очень интересно обнаружить, что эти инструменты так хорошо соответствуют миру клеточной биологии."