La CCC apoyó tres sesiones científicas en la Conferencia Anual de la AAAS de este año y, en caso de que no pudiera asistir en persona, recapitularemos cada sesión. Esta semana resumiremos los aspectos más destacados de la sesión “.IA generativa en la ciencia: promesas y trampas.” En la segunda parte, resumiremos la presentación del Dr. Markus Buehler sobre IA generativa en mecanobiología.
El Dr. Markus Buehler comenzó su presentación abordando cómo se pueden aplicar los modelos generativos en el estudio de la ciencia de los materiales. Históricamente, en la ciencia de los materiales, los investigadores recopilaban datos o desarrollaban ecuaciones para describir cómo se comportaban los materiales y las resolvían con lápiz y papel. La aparición de los ordenadores permitió a los investigadores resolver estas ecuaciones mucho más rápidamente y tratar sistemas muy complejos, por ejemplo utilizando la mecánica estadística. Sin embargo, para algunos problemas la potencia informática tradicional no es suficiente. Por ejemplo, la siguiente imagen muestra el número de configuraciones posibles de una sola proteína pequeña (20 ^100 o 1.27×10^130 diseños). Esta cantidad de configuraciones posibles es mayor que el número de átomos en el universo observable (10^80 átomos), lo que hace que este problema sea intratable incluso para las supercomputadoras más grandes.
Antes de los modelos generativos, las ecuaciones y algoritmos creados por los científicos estaban limitados por una determinada característica compartida por todos los investigadores desde el principio de los tiempos: la humanidad. “La IA generativa nos permite ir más allá de la imaginación humana para poder inventar y descubrir cosas que hasta ahora no hemos podido, ya sea porque no somos lo suficientemente inteligentes o porque no tenemos la capacidad de tener acceso a todos los puntos de datos. al mismo tiempo”, afirma el Dr. Buehler. “La IA generativa se puede utilizar para identificar nuevas ecuaciones y algoritmos, y puede resolverlas por nosotros. Además, los modelos generativos también pueden explicarnos cómo desarrollaron y resolvieron estas ecuaciones, lo cual, en altos niveles de complejidad, es absolutamente necesario para que los investigadores comprendan los 'procesos de pensamiento' de los modelos”. Un aspecto clave de cómo funcionan estos modelos es traducir información (por ejemplo, resultados de mediciones) en conocimiento aprendiendo una representación gráfica de la misma.
Fuente: MJ Buehler, Acelerar el descubrimiento científico con extracción generativa de conocimiento, representación basada en gráficos y razonamiento de gráficos inteligente multimodal, arXiv, 2024
La siguiente figura muestra un nuevo diseño de material, un compuesto jerárquico a base de micelio, construido a partir de IA generativa y que presenta una combinación nunca antes vista de rizomorfos de micelio, colágeno, relleno mineral, funcionalización de superficies y una interacción compleja de porosidad y material.
Fuente: MJ Buehler, Acelerar el descubrimiento científico con extracción generativa de conocimiento, representación basada en gráficos y razonamiento de gráficos inteligente multimodal, arXiv, 2024. Izquierda: compuesto de Mycrlium. Derecha: Diseño de proteínas.
Además, la IA generativa puede ayudarnos a visualizar sistemas complejos. En lugar de describir las interacciones entre átomos, la IA puede representar estas interacciones en gráficos, que describen mecánicamente cómo funcionan, se comportan e interactúan los materiales a diferentes escalas. Estas herramientas son poderosas, pero por sí solas no son lo suficientemente fuertes como para resolver la alta complejidad de estos problemas. Para solucionar esto, podemos combinar muchos modelos, como un modelo que pueda realizar simulaciones físicas y otro que pueda predecir fuerzas y tensiones y cómo diseñar proteínas. Cuando estos modelos se comunican se convierten en modelos agentes, donde cada modelo individual es un agente con un propósito específico. El resultado de cada modelo se comunica a los demás modelos y se considera en la evaluación general de los resultados de los modelos. Los modelos agentes pueden ejecutar simulaciones sobre datos existentes y generar nuevos datos. Entonces, para áreas con datos limitados o nulos, los investigadores pueden usar modelos físicos para generar datos con los que ejecutar simulaciones. "Este tipo de modelado es una de las futuras áreas de crecimiento de los modelos generativos", afirma el Dr. Buehler. Este tipo de modelos pueden resolver problemas que antes se consideraban intratables en las supercomputadoras, y algunos de estos modelos pueden incluso ejecutarse en una computadora portátil estándar.
Uno de los principales desafíos en el diseño de modelos de IA generativa inspirados en la física que los investigadores aún están abordando es cómo construir los modelos de manera elegante y cómo hacerlos más similares al cerebro humano o a los sistemas biológicos. Los sistemas biológicos tienen la capacidad de cambiar su comportamiento, por ejemplo, cuando te cortas la piel, el corte sanará con el tiempo. Se pueden construir modelos para que actúen de manera similar. En lugar de entrenar un modelo para curar un corte en todo momento, podemos entrenarlo para que tenga la capacidad de volver a ensamblarlo para actuar dinámicamente; en cierto sentido, entrenamos a los modelos para que piensen primero en la pregunta formulada y en cómo pueden reconfigurarse. "ellos mismos" para resolver mejor una determinada tarea. Esto se puede utilizar para hacer predicciones cuantitativas (por ejemplo, resolver una tarea muy compleja para predecir el panorama energético de una proteína), hacer predicciones cualitativas y razonar los resultados, e integrar diferentes conocimientos y habilidades a medida que se desarrollan respuestas a tareas complejas. Es importante destacar que los modelos también pueden explicarnos cómo llegaron a la solución, cómo funciona un sistema particular y otros detalles que pueden ser de interés para el científico humano. Luego podemos realizar experimentos para predecir y verificar los resultados de estas simulaciones para los casos que sean las ideas más prometedoras, como las aplicaciones de diseño de materiales.
A continuación, el Dr. Buehler habló sobre aplicaciones específicas de estos modelos generativos en la ciencia de materiales. “Para calcular el panorama energético para resolver el problema del plegamiento inverso dada una determinada proteína, ni siquiera necesitamos saber cómo se ve la proteína, sólo necesito conocer los componentes básicos y la secuencia de ADN que define esta proteína y las condiciones en las que se desarrolla. El experimento se lleva a cabo. Si desea un tipo particular de proteína con un determinado panorama energético, también podemos diseñar esa proteína, según demanda. Los modelos agentes pueden hacer esto porque tienen la capacidad de combinar diferentes modelos, predicciones y datos. Esto se puede utilizar para sintetizar nuevas proteínas complejas que no existen en la naturaleza. Podemos inventar proteínas que tengan fibras súper fuertes como reemplazo de los plásticos, o crear mejores alimentos artificiales o baterías nuevas. Podemos utilizar la caja de herramientas de la naturaleza para ir más allá de lo que la naturaleza tiene para ofrecer e ir mucho más allá de los principios evolutivos. Por ejemplo, podemos diseñar materiales para determinados fines, como un material que sea muy elástico o que tenga determinadas propiedades ópticas, o materiales que cambien sus propiedades en función de señales externas. Los modelos que están surgiendo ahora no sólo son capaces de resolver estos problemas, sino que también nos brindan la capacidad de explicarnos cómo se resuelven. También pueden dilucidar por qué ciertas estrategias funcionan y otras no. Pueden predecir nuevas investigaciones, como pedirle a un modelo que prediga con gran detalle cómo se comportará un determinado material, y podemos validar esto con estudios de investigación en laboratorios o con simulaciones físicas. Esto es alucinante y suena futurista, pero en realidad está sucediendo hoy”.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://feeds.feedblitz.com/~/873984911/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Two/
