وبلاگ

نیوزویز – یک محقق به تازگی نگارش یک مقاله علمی را به پایان رسانده است. او می داند که کارش می تواند از منظر دیگری سودمند باشد. آیا او چیزی را از دست داده است؟ یا شاید کاربردی از تحقیقات او وجود دارد که او به آن فکر نکرده است. مجموعه دوم چشم‌ها عالی خواهد بود، اما حتی دوستانه‌ترین مشارکت‌کنندگان هم ممکن است نتوانند برای خواندن همه پست‌های ضروری که برای رسیدن به نتیجه لازم است، وقت بگذارند.

کوین جیگر– رهبر گروهی از نانومواد الکترونیکی در مرکز نانومواد کاربردی (CFN)، دفتر کاربر وزارت انرژی ایالات متحده (DOE) در آزمایشگاه ملی بروکهاون DOE – پیش بینی کرد که چگونه پیشرفت های اخیر در هوش مصنوعی (AI) و یادگیری ماشین (ML) می تواند از طوفان مغزی و ایده پردازی علمی پشتیبانی کند. برای رسیدن به این هدف، او یک چت بات با دانش در زمینه علمی که در آن درگیر بود، توسعه داد.

پیشرفت های سریع در AI و ML جای خود را به برنامه هایی داده است که می توانند متن خلاقانه و کد نرم افزار مفیدی تولید کنند. این چت ربات های عمومی اخیراً تصورات عمومی را به خود جلب کرده اند. چت ربات های موجود – بر اساس مدل های زبانی بزرگ و متنوع – فاقد دانش دقیق از زیر دامنه های علمی هستند. با استفاده از روش بازیابی اسناد، ربات یاگر دانشی در زمینه‌های علم نانومواد دارد که ربات‌های دیگر ندارند. جزئیات این پروژه و اینکه چگونه دانشمندان دیگر می توانند از این همکار هوش مصنوعی برای کارهای خود استفاده کنند اخیراً در منتشر شده است کشف دیجیتال.

ظهور روبات ها

CFN برای مدت طولانی به دنبال راه های جدیدی برای استفاده از AI/ML برای تسریع در کشف نانومواد بوده است. در حال حاضر به سرعت به ما کمک می کند شناسایی، فهرست بندی و انتخاب نمونه ها، آزمایشات را خودکار کنیدتجهیزات کنترلی و کشف مواد جدید. استر تسایدانشمند در گروهی از نانومواد الکترونیکی در CFN است توسعه یک همراه هوش مصنوعی برای کمک به تسریع آزمایشات تحقیق مواد در منبع نور ملی سنکروترون II (NSLS-II).» NSLS-II یکی دیگر از امکانات کاربری دفتر علوم DOE در آزمایشگاه Brookhaven است.

کارهای زیادی در CFN روی AI/ML انجام شده است که می‌تواند به اجرای آزمایش‌ها از طریق استفاده از اتوماسیون، کنترل‌ها، روباتیک و تجزیه و تحلیل کمک کند، اما داشتن برنامه‌ای که در متون علمی ماهر باشد چیزی بود که محققان آنقدر عمیق آن را بررسی نکرده بودند. . توانایی مستندسازی، درک و انتقال سریع اطلاعات مربوط به یک آزمایش می‌تواند به طرق مختلف کمک کند، از حذف موانع زبانی گرفته تا صرفه‌جویی در زمان با خلاصه کردن بخش‌های بزرگ‌تر.

تماشای زبان شما

برای ایجاد یک ربات چت تخصصی، برنامه به متن خاص دامنه نیاز دارد – زبانی که از مناطقی گرفته شده است که ربات قرار است روی آنها تمرکز کند. در این مورد، متن انتشارات علمی است. متن خاص دامنه به مدل هوش مصنوعی کمک می کند تا اصطلاحات و تعاریف جدید را درک کند و آن را با مفاهیم علمی مرزی آشنا کند. مهمتر از همه، این مجموعه اسنادی تنظیم شده به مدل هوش مصنوعی اجازه می دهد تا استدلال خود را با استفاده از حقایق قابل اعتماد توجیه کند.

برای تقلید از زبان طبیعی انسان، مدل‌های هوش مصنوعی بر روی متن موجود آموزش داده می‌شوند و به آن‌ها اجازه می‌دهد ساختار زبان را بیاموزند، حقایق مختلف را به خاطر بسپارند و نوعی استدلال ابتدایی را توسعه دهند. یاگر به جای بازآموزی مجدد مدل هوش مصنوعی بر روی متن علم نانو، آن را قادر ساخت تا اطلاعات مرتبط را در مجموعه ای از انتشارات انتخاب شده جستجو کند. ارائه کتابخانه ای از داده های مربوطه به او تنها نیمی از کار بود. برای استفاده دقیق و مؤثر از این متن، ربات به راهی برای رمزگشایی زمینه صحیح نیاز دارد.

یاگر توضیح داد: «چالشی که با مدل‌های زبانی رایج است این است که گاهی اوقات چیزهایی را که معقول به نظر می‌رسند اما واقعیت ندارند، «توهم» می‌کنند. «این یک مشکل بزرگ برای حل یک ربات چت بود که در تحقیقات استفاده می‌شد، در مقابل کسی که کاری مانند نوشتن شعر انجام می‌داد. ما نمی خواهیم حقایق یا نقل قول بسازیم. این باید تصمیم گیری می شد. راه حل این موضوع چیزی بود که ما آن را “جاسازی” می نامیم، راهی برای دسته بندی و اتصال سریع اطلاعات در پشت صحنه.”

جاسازی فرآیندی است که کلمات و عبارات را به مقادیر عددی تبدیل می کند. “بردار تعبیه شده” حاصل، معنای متن را کمیت می کند. زمانی که کاربر از چت بات سوالی می پرسد، برای محاسبه مقدار برداری آن به مدل تعبیه ML نیز ارسال می شود. این بردار برای جستجوی یک پایگاه داده از پیش محاسبه شده از بخش های متنی مقالات علمی که به طور مشابه جاسازی شده اند استفاده می شود. سپس ربات از تکه‌های متنی استفاده می‌کند که از نظر معنایی با سؤال مرتبط است تا درک کامل‌تری از زمینه به دست آورد.

درخواست کاربر و تکه‌های متن در یک «اعلان» ترکیب می‌شوند که به یک مدل زبان بزرگ ارسال می‌شود، برنامه‌ای گسترده که متن مدل‌سازی‌شده به زبان طبیعی انسان را ایجاد می‌کند که پاسخ نهایی را ایجاد می‌کند. جاسازی تضمین می کند که متن دانلود شده مرتبط با متن سوال کاربر است. با ارائه بخش‌های متنی از بدنه اسناد قابل اعتماد، ربات چت پاسخ‌هایی را تولید می‌کند که واقعی هستند و از یک منبع نشات می‌گیرند.

یاگر گفت: «این برنامه باید مانند یک کتابدار مرجع باشد. او باید به شدت به اسناد برای ارائه پاسخ های منبع اتکا کند. او باید بتواند دقیقاً آنچه را که مردم می پرسند تفسیر کند و بتواند به طور مؤثری زمینه آن سؤالات را جمع کند تا مرتبط ترین اطلاعات را استخراج کند. اگرچه ممکن است پاسخ‌ها هنوز کامل نباشند، اما او می‌تواند به سوالات چالش برانگیز پاسخ دهد و در حین برنامه‌ریزی پروژه‌ها و تحقیقات جدید، افکار جالبی را برانگیزد.

ربات هایی که افراد را توانمند می کنند

CFN سیستم‌های AI/ML را به عنوان ابزاری توسعه می‌دهد که می‌تواند محققان انسانی را آزاد کند تا روی مشکلات چالش‌برانگیزتر و جالب‌تر کار کنند و از زمان محدود خود بیشتر بهره ببرند در حالی که رایانه‌ها وظایف تکراری را در پس‌زمینه خودکار می‌کنند. هنوز ناشناخته های زیادی در مورد این روش جدید کار وجود دارد، اما این سؤالات آغاز بحث های مهمی است که دانشمندان در حال حاضر برای اطمینان از ایمن و اخلاقی بودن استفاده از AI/ML دارند.

“تعدادی از وظایف وجود دارد که یک چت ربات خاص دامنه مانند این می تواند از حجم کاری یک دانشمند پاک کند. یاگر خاطرنشان کرد: طبقه بندی و سازماندهی اسناد، خلاصه کردن نشریات، مشخص کردن اطلاعات مرتبط و ورود به یک حوزه موضوعی جدید، تنها چند کاربرد بالقوه است. با این حال، من برای دیدن این که همه چیز به کجا می رود هیجان زده هستم. ما هرگز نمی‌توانستیم تصور کنیم که اکنون در سه سال پیش کجا هستیم، و من مشتاقانه منتظرم که سه سال دیگر به کجا خواهیم رسید.

برای محققان علاقه مند به آزمایش این نرم افزار، کد منبع چت بات CFN و ابزارهای مرتبط را می توان یافت. در این مخزن github.

آزمایشگاه ملی بروکهاون توسط دفتر علوم وزارت انرژی ایالات متحده پشتیبانی می شود. دفتر علوم بزرگترین حامی تحقیقات پایه در علوم فیزیکی در ایالات متحده است و برای رسیدگی به برخی از مهم ترین چالش های زمان ما کار می کند. برای اطلاعات بیشتر مراجعه کنید Science.energy.gov.

BrookhavenLab@ را در رسانه های اجتماعی دنبال کنید. ما را در پیدا کنید اینستاگرام، لینکدین، توییترو فیس بوک.