रसायन विज्ञान, जीव विज्ञान और चिकित्सा के शोधकर्ता नई परिकल्पनाओं को विकसित करने के लिए एआई मॉडल की ओर बढ़ रहे हैं। हालांकि, यह अक्सर स्पष्ट नहीं होता है कि एल्गोरिदम किस आधार पर उनके निष्कर्ष पर आता है और उन्हें किस हद तक सामान्यीकृत किया जा सकता है। बॉन विश्वविद्यालय द्वारा एक प्रकाशन अब कृत्रिम बुद्धिमत्ता को संभालने में गलतफहमी की चेतावनी देता है। इसी समय, यह उन स्थितियों पर प्रकाश डालता है जिनके तहत शोधकर्ताओं को मॉडल में विश्वास हो सकता है। अध्ययन अब पत्रिका में प्रकाशित किया गया है सेल भौतिक विज्ञान की रिपोर्ट करता है।
अनुकूली मशीन लर्निंग एल्गोरिदम अविश्वसनीय रूप से शक्तिशाली हैं। फिर भी, उनके पास एक नुकसान है: मशीन लर्निंग मॉडल अपनी भविष्यवाणियों में कैसे पहुंचते हैं, अक्सर बाहर से स्पष्ट नहीं होता है।
मान लीजिए कि आप कई हजार कारों की तस्वीरों के साथ कृत्रिम बुद्धिमत्ता करते हैं। यदि आप अब इसे एक नई छवि के साथ प्रस्तुत करते हैं, तो यह आमतौर पर स्पष्ट रूप से पहचान कर सकता है कि क्या तस्वीर भी कार दिखाती है या नहीं। लेकिन वह क्यों है? क्या वास्तव में यह पता चला है कि एक कार में चार पहिए, एक विंडशील्ड और एक निकास होता है? या क्या इसका निर्णय उन मानदंडों पर आधारित है जो वास्तव में अप्रासंगिक हैं – जैसे कि छत पर एंटीना? यदि यह मामला होता, तो यह एक रेडियो को एक कार के रूप में वर्गीकृत भी कर सकता था।
एआई मॉडल ब्लैक बॉक्स हैं
“एआई मॉडल ब्लैक बॉक्स हैं,” प्रो। डॉ। जुरगेन बाजोरथ पर प्रकाश डाला गया। “नतीजतन, किसी को अपने परिणामों पर आँख बंद करके भरोसा नहीं करना चाहिए और उनसे निष्कर्ष निकालना चाहिए।” कम्प्यूटेशनल रसायन विज्ञान विशेषज्ञ मशीन लर्निंग एंड आर्टिफिशियल इंटेलिजेंस के लिए लामर इंस्टीट्यूट में लाइफ साइंसेज विभाग में एआई का प्रमुख है। वह बॉन विश्वविद्यालय में बॉन-आचेन इंटरनेशनल सेंटर फॉर इंफॉर्मेशन टेक्नोलॉजी (बी-आईटी) में लाइफ साइंस इंफॉर्मेटिक्स प्रोग्राम के प्रभारी भी हैं। वर्तमान प्रकाशन में, उन्होंने इस सवाल की जांच की कि कब सबसे अधिक संभावना एल्गोरिदम पर भरोसा कर सकता है। और इसके विपरीत: जब नहीं।
“स्पष्टता” की अवधारणा इस संदर्भ में एक महत्वपूर्ण भूमिका निभाती है। रूपक रूप से, यह एआई रिसर्च के भीतर एक पीपोल को ब्लैक बॉक्स में ड्रिल करने के प्रयासों को संदर्भित करता है। एल्गोरिथ्म को उन मानदंडों को प्रकट करना चाहिए जो यह एक आधार के रूप में उपयोग करता है – चार पहियों या एंटीना। “ब्लैक बॉक्स खोलना वर्तमान में एआई अनुसंधान में एक केंद्रीय विषय है,” बाजोरथ कहते हैं। “कुछ एआई मॉडल विशेष रूप से दूसरों के परिणामों को और अधिक समझदार बनाने के लिए विकसित किए जाते हैं।”
स्पष्टीकरण, हालांकि, केवल एक पहलू है – एक मॉडल द्वारा चुने गए निर्णय लेने वाले मानदंडों से कौन से निष्कर्ष निकाला जा सकता है, यह प्रश्न समान रूप से महत्वपूर्ण है। यदि एल्गोरिथ्म इंगित करता है कि उसने एंटीना पर अपना निर्णय लिया है, तो एक इंसान तुरंत जानता है कि यह सुविधा कारों की पहचान करने के लिए खराब रूप से अनुकूल है। इसके बावजूद, अनुकूली मॉडल का उपयोग आम तौर पर बड़े डेटा सेटों में सहसंबंधों की पहचान करने के लिए किया जाता है जो कि मनुष्य भी नोटिस नहीं कर सकते हैं। हम तब एलियंस की तरह हैं जो नहीं जानते कि एक कार क्या है: एक एलियन यह कहने में असमर्थ होगा कि एंटीना एक अच्छी कसौटी है या नहीं।
रासायनिक भाषा मॉडल नए यौगिकों का सुझाव देते हैं
“एक और सवाल है कि हमें हमेशा विज्ञान में एआई प्रक्रियाओं का उपयोग करते समय खुद से पूछना पड़ता है,” बाजोरथ पर जोर दिया, जो ट्रांसडिसिप्लिनरी रिसर्च एरिया (टीआरए) “मॉडलिंग” का सदस्य भी है: “परिणाम कैसे हैं?” रासायनिक भाषा मॉडल वर्तमान में रसायन विज्ञान और दवा अनुसंधान में एक गर्म विषय हैं। उदाहरण के लिए, उन्हें कई अणुओं के साथ खिलाने के लिए संभव है, जिनमें एक निश्चित जैविक गतिविधि होती है। इन इनपुट डेटा के आधार पर, मॉडल तब सीखता है और आदर्श रूप से एक नए अणु का सुझाव देता है जिसमें यह गतिविधि भी है लेकिन एक नई संरचना है। इसे जनरेटिव मॉडलिंग के रूप में भी जाना जाता है। हालांकि, मॉडल आमतौर पर यह नहीं समझा सकता है कि यह इस समाधान की बात क्यों आती है। यह अक्सर स्पष्ट एआई विधियों को लागू करने के लिए आवश्यक है।
बहरहाल, बाजोरथ ने इन स्पष्टीकरणों की व्याख्या करने के खिलाफ चेतावनी दी है, अर्थात्, यह अनुमान लगाते हुए कि एआई को महत्वपूर्ण मानता है कि वास्तव में वांछित गतिविधि का कारण है। “वर्तमान एआई मॉडल अनिवार्य रूप से रसायन विज्ञान के बारे में कुछ भी नहीं समझते हैं,” वे कहते हैं। “वे विशुद्ध रूप से सांख्यिकीय और सहसंबंधी हैं, और किसी भी विशिष्ट सुविधाओं पर ध्यान देते हैं, भले ही ये विशेषताएं रासायनिक या जैविक रूप से प्रासंगिक हों या नहीं।” इसके बावजूद, वे अपने मूल्यांकन में भी सही हो सकते हैं – इसलिए शायद सुझाए गए अणु में वांछित क्षमताएं हैं। हालांकि, इसके कारणों से पूरी तरह से अलग हो सकता है कि हम रासायनिक ज्ञान या अंतर्ज्ञान के आधार पर क्या उम्मीद करेंगे। इसी प्राकृतिक प्रक्रियाओं की भविष्यवाणियों और परिणामों की सुविधाओं के बीच संभावित कारणों का मूल्यांकन करने के लिए, प्रयोगों को आम तौर पर आवश्यकता होती है: शोधकर्ताओं को अणु को संश्लेषित और परीक्षण करना चाहिए, साथ ही साथ संरचनात्मक रूपांकनों के साथ अन्य अणुओं को भी महत्वपूर्ण माना जाता है।
Plausibility चेक महत्वपूर्ण हैं
इस तरह के परीक्षण समय लेने वाले और महंगे हैं। बाजोरथ इस प्रकार वैज्ञानिक रूप से प्रशंसनीय कारण संबंधों की खोज में एआई परिणामों की व्याख्या करने के खिलाफ चेतावनी देता है। उनके विचार में, एक ध्वनि वैज्ञानिक तर्क पर आधारित एक प्रशंसनीय जांच महत्वपूर्ण महत्व है: क्या स्पष्ट एआई द्वारा सुझाई गई सुविधा वास्तव में वांछित रासायनिक या जैविक संपत्ति के लिए जिम्मेदार हो सकती है? क्या यह एआई के सुझाव को आगे बढ़ाने के लायक है? या यह एक संभावित विरूपण साक्ष्य है, एक बेतरतीब ढंग से पहचाना गया सहसंबंध जैसे कि कार एंटीना, जो वास्तविक फ़ंक्शन के लिए बिल्कुल भी प्रासंगिक नहीं है?
वैज्ञानिक इस बात पर जोर देता है कि अनुकूली एल्गोरिदम के उपयोग से मौलिक रूप से विज्ञान के कई क्षेत्रों में काफी हद तक अनुसंधान की क्षमता है। फिर भी, किसी को इन दृष्टिकोणों की ताकत के बारे में पता होना चाहिए – और विशेष रूप से उनकी कमजोरियों के बारे में।
