Een baanbrekend onderzoeksinitiatief is gaande, geleid door een internationaal consortium van wetenschappers in samenwerking met de Universiteit van Cambridge. Voortbouwend op de technologische basis van ChatGPT, heeft deze onderneming als doel een op AI gebaseerd instrument voor wetenschappelijke verkenning te ontwikkelen.
Terwijl ChatGPT uitblinkt in natuurlijke taalverwerking, zal dit nieuwe AI-avontuur zich storten op het gebied van numerieke gegevens en complexe natuurkundige simulaties in verschillende wetenschappelijke domeinen. Het primaire doel is om wetenschappers te helpen bij het modelleren van fenomenen, variërend van superreuzensterren tot de ingewikkelde klimaatsystemen van de aarde.
Eerder deze week onthulde het team officieel hun ambitieuze project, genaamd “Polymathic AI”, samen met de publicatie van een verzameling gerelateerde papers op het open-access repository arXiv. Shirley Ho, de hoofdonderzoeker van Polymathic AI en een groepsleider bij het Center for Computational Astrophysics van het Flatiron Institute in New York City, uitte haar enthousiasme over het project en benadrukte het potentieel ervan om de toepassing van AI en machine learning in wetenschappelijk onderzoek te revolutioneren.
Polymathic AI werkt volgens een concept dat lijkt op het moeiteloos leren van een nieuwe taal wanneer je al een sterke basis hebt in meerdere talen. Volgens Ho begint het met een uitgebreid voortraind model genaamd een “foundation model”, dat zowel efficiëntie als nauwkeurigheid biedt in vergelijking met het bouwen van wetenschappelijke modellen vanaf nul. Wat nog opmerkelijker is, is dat deze aanpak effectief blijft, zelfs wanneer de trainingsgegevens niet lijken te zijn gerelateerd aan het specifieke probleem dat zich voordoet.
Miles Cranmer, een medeonderzoeker van de afdeling Toegepaste Wiskunde en Theoretische Natuurkunde en het Instituut voor Astronomie van Cambridge, benadrukte de uitdagingen van het uitvoeren van academisch onderzoek naar grootschalige foundation-modellen. De immense rekenkracht die nodig is, vormde een aanzienlijke hindernis. Onze samenwerking met de Simons Foundation heeft ons echter waardevolle middelen gegeven om deze modellen te prototypen. Deze doorbraak zal een diepgaande invloed hebben op de fundamentele wetenschap en onderzoekers wereldwijd ten goede komen. De mogelijkheid om bij te dragen aan deze zaak is werkelijk opwindend.
Siavash Golkar, een medeonderzoeker en gastonderzoeker bij het Center for Computational Astrophysics van het Flatiron Institute, benadrukte het potentieel van Polymathic AI bij het ontdekken van gemeenschappelijkheden en verbindingen tussen diverse wetenschappelijke vakgebieden die anders onopgemerkt zouden blijven. Hij wees erop dat in voorgaande eeuwen polymaths, die een brede kennis hadden van verschillende disciplines, een belangrijke rol speelden bij baanbrekende wetenschappelijke ontdekkingen door inzichtelijke verbindingen te leggen. Echter, met de toenemende specialisatie van wetenschappelijke domeinen is het behouden van expertise in meerdere vakgebieden uitdagender geworden. Hier kan AI een cruciale rol spelen door informatie uit verschillende disciplines samen te brengen, interdisciplinair onderzoek en innovatie te faciliteren.
Het Polymathic AI-team bestaat uit deskundige experts van gerenommeerde instellingen zoals de Simons Foundation en het Flatiron Institute, de Universiteit van New York, de Universiteit van Cambridge, de Princeton Universiteit en het Lawrence Berkeley National Laboratory. Deze experts brengen een schat aan diverse achtergronden op het gebied van natuurkunde, astrofysica, wiskunde, kunstmatige intelligentie en neurowetenschappen naar het project.
Hoewel AI-tools eerder zijn gebruikt in wetenschappelijk onderzoek, zijn ze meestal op maat ontwikkeld en getraind met behulp van gegevens die specifiek zijn afgestemd op hun beoogde doel.
Francois Lanusse, een kosmoloog bij het Centre national de la recherche scientifique (CNRS) in Frankrijk en mede-onderzoeker, benadrukte de beperkingen van deze aanpak en stelde dat machine learning-oplossingen doorgaans worden ontwikkeld voor specifieke toepassingen en getraind worden op zeer specifieke gegevens. Dit creëert niet alleen beperkingen binnen individuele disciplines, maar ook daartussen, waardoor onderzoekers die AI gebruiken in hun studies mogelijk geen profijt hebben van potentieel waardevolle informatie die in alternatieve formaten of verschillende vakgebieden kan bestaan.
Het initiatief van Polymathic AI houdt in dat diverse gegevensbronnen worden benut op het gebied van natuurkunde en astrofysica, met toekomstige plannen om zich uit te breiden naar vakgebieden zoals scheikunde en genomica. Het ultieme doel is om deze interdisciplinaire kennis toe te passen om een breed scala aan wetenschappelijke uitdagingen aan te pakken, waarbij ogenschijnlijk afzonderlijke subgebieden worden verenigd tot een samenhangend geheel. Zoals Mariel Pettee, een postdoctoraal onderzoeker aan het Lawrence Berkeley National Laboratory en lid van het project, uitlegde, belooft deze aanpak een revolutie teweeg te brengen in de manier waarop we complexe wetenschappelijke problemen aanpakken.
Shirley Ho benadrukte dat Polymathic AI het voordeel heeft om beperkingen te overwinnen die te vinden zijn in modellen zoals ChatGPT. Het behandelt numerieke gegevens als daadwerkelijke getallen, niet alleen als tekens, en maakt gebruik van echte wetenschappelijke datasets die de fundamentele principes van het universum vastleggen.
Transparantie en openheid zijn kernwaarden van het Polymathic AI-project. Ho benadrukte hun toewijding om alle aspecten van het project toegankelijk te maken voor het publiek. Het ultieme doel is om AI te democratiseren voor wetenschappelijk onderzoek, waardoor voorgeleerde modellen beschikbaar zijn voor de wetenschappelijke gemeenschap. Dit zal de kwaliteit van analyses verbeteren over een divers scala aan problemen en disciplines in de komende jaren.