电动汽车有潜力大幅减少碳排放,但汽车公司却在做原料耗尽使电池。其中一个关键的成分是镍预计会造成供应短缺早在今年年底。科学家们最近发现了四种可能有所帮助的新材料,而更有趣的是怎样他们发现了这些材料:研究人员依靠人工智能从300多种选择中挑选出有用的化学物质。而且他们不是唯一一个求助于人工智能寻求科学灵感的人。

长期以来,创造假设一直是纯人类的领域。然而,现在,科学家们开始问机器学习产生原创的见解.他们正在设计神经网络(一种机器学习设置,其结构受到人类大脑的启发),它根据网络在数据中找到的模式,而不是依赖于人类的假设,提出新的假设。许多领域可能很快转向机器学习缪斯试图加快科学进程,减少人类偏见。

在新的电池材料的情况下,从事这类任务的科学家通常依赖于数据库搜索工具、建模和他们自己的化学物质来选择有用的化合物的直觉。而英国利物普大学的一个团队使用机器学习来简化创新过程。研究人员开发了一个神经网络。这项工作根据化学组合产生有用新材料的可能性对其进行排序。然后,科学家们利用这些排序来指导实验室的实验。他们确定了四位有前途的候选人无需测试清单上的所有材料,从而节省了数月的反复试验。

“这是一个很好的工具,”利物普大学的研究助理Andrij Vasylenko说,他是上个月在《自然通讯》上发表的《寻找电池材料的研究》的合著者。他补充说,人工智能过程有助于识别值得研究的化学组合,因此“我们可以更快地覆盖更多的化学空间。”

新材料的发现并不是机器学习可以为科学做出贡献的唯一领域。研究人员还将神经网络应用于更大的技术和理论问题。苏黎世理论物理研究所(Zurich 's Institute for Theoretical Physics)的物理学家雷纳托·雷纳(Renato Renner)希望有一天能利用机器学习来发展出一套关于宇宙如何运行的统一理论。但在人工智能揭示现实的真实本质之前,研究人员必须解决神经网络如何做出决策这一众所周知的难题。

进入机器学习思维

在过去的10年里,机器学习已经成为一种非常重要的学习方式流行的工具用于对大数据进行分类和预测。然而,解释其决策的逻辑基础可能非常困难。神经网络由相互连接的节点构建而成,这些节点模仿了大脑的神经元,其结构随着信息的流动而变化。虽然这种自适应模型能够解决复杂的问题,但人类通常也不可能解码其中的逻辑。

缺乏透明度已被昵称为“黑盒问题因为没有人能看到网络内部解释它的“思想”过程。这种不透明不仅破坏了人们对研究结果的信任,还限制了神经网络对人类科学理解世界的贡献。

一些科学家正试图通过开发"可解释性技术,试图提供一个循序渐进的解释怎样网络会找到它的答案。可能无法从复杂的机器学习模型中获得高水平的细节。但研究人员通常可以确定网络处理数据的方式的更大趋势,有时会导致令人惊讶的发现,例如谁最有可能患癌症。

几年前,Case Western Reserve University生物医学工程教授阿南特·马达布希(Anant Madabhushi)利用可解释性技术来理解为什么一些患者比其他患者更容易复发乳腺癌或前列腺癌。他将患者扫描结果输入神经网络,神经网络识别出风险更高的患者然后Madabhushi分析了网络,找到了确定患者再次发生癌症概率的最重要特征。结果建议腺体内部结构的紧密程度是最准确预测癌症复发可能性的因素。

“这不是一个假设。我们不知道,”Madabhushi说。“我们使用了一种方法来发现这种疾病的一个重要属性。”直到人工智能得出结论后,他的团队才发现,这一结果也与当前有关病理学的科学文献相符。神经网络还无法解释为什么腺体结构的密度有助于癌症的发生,但这仍然帮助Madabhushi和他的同事更好地了解肿瘤的生长过程,为未来的研究提供了新的方向。

当人工智能碰壁时

爱荷华州立大学机械工程副教授苏米克·萨卡尔(Soumik Sarkar)说,尽管窥视黑匣子内部可以帮助人类构建新的科学假设,“我们还有很长的路要走。”。可解释性技术可以暗示在机器学习过程中出现的相关性,但是无法证明因果关系他们仍然依靠主题专家从网络中获取意义。

机器学习也经常使用通过人工过程收集的数据,从而导致复制人类偏见。一个名为“替代性制裁惩教罪犯管理分析”(COMPAS)的神经网络甚至被称为被指控为种族主义者. 该网络已被用于预测被监禁者再次犯罪的可能性。A.公共调查据称,在佛罗里达州的一个县,该系统错误地标记了黑人违法的可能性,而黑人被释放的频率几乎是白人的两倍。Equivant,原名Northpoint,刑事司法软件公司,创建了COMPAS有争议的ProPublica的分析并声称其风险评估计划已经完成错认

尽管存在这些问题,苏黎世的物理学家雷纳仍然希望机器学习能够帮助人们从更少的偏见角度追求知识。他说,神经网络可以激发人们以新的方式思考老问题。虽然这些网络还不能完全靠自己做出假设,但它们可以提供线索,引导科学家从不同的角度看待问题。

雷纳甚至尝试设计一个神经网络来检验宇宙的真实本质。物理学家们一直无法调和两种宇宙理论-量子理论和爱因斯坦的广义相对论已经有一个多世纪的历史了。但雷纳希望机器学习能给他提供他所需要的新视角,以帮助科学理解物质在极小和极小尺度上的运作方式。

他说:“只有用非传统的方式看待事物,我们才能在物理学上取得重大进展。”目前,他正在用历史理论构建这个网络,让它尝一尝人类认为宇宙是如何构成的。在接下来的几年里,他计划让它自己想出这个问题的答案终极问题