KI kann darauf trainiert werden, selbstständig wissenschaftliche Vorhersagen auf der Grundlage von Vorkenntnissen zu treffen

Unter KI-Forschern gibt es eine anhaltende Debatte darüber, ob Künstliche Intelligenz, wie z TheNext Web (TNW) Anmerkungen, "werden wir bald können die Art entwickeln generelle Intelligenz dass Menschen haben“, mit hitzigen Argumenten dafür und dagegen.

Aber es gibt noch ein weiteres Wissensgebiet, in dem die KI große Fortschritte macht, und zwar mit Verarbeitung natürlicher Sprache (NLP), ein Teil eines viel größeren Rahmens des maschinellen Lernens, mit „dem Ziel, Informationen aus Textdaten zu bewerten, zu extrahieren und auszuwerten“. Zu diesem Zweck verweist TNW auf ein Papier kürzlich in Nature veröffentlicht Darin heißt es, dass es einer KI nun gelungen sei, „zukünftige wissenschaftliche Entdeckungen vorherzusagen, indem sie einfach aussagekräftige Daten aus Forschungspublikationen extrahierte“.

Um eine bestimmte wissenschaftliche Frage zu erforschen und zu verstehen, ist es selbstverständlich, Bücher, Fachpublikationen, Webseiten und andere relevante Quellen zu konsultieren. Dies kann natürlich eine äußerst zeitaufwändige Aufgabe sein, insbesondere wenn wir ein sehr komplexes Problem oder eine sehr komplexe Frage haben. Hier kommt NLP ins Spiel. Durch die Verwendung von „Mit ausgefeilten Methoden und Techniken können Computerprogramme Konzepte, gegenseitige Beziehungen, allgemeine Themen und spezifische Eigenschaften aus großen Textdatensätzen identifizieren.“

Wie in der oben genannten Studie erläutert wird: „Bisher sind die meisten der vorhandenen automatisierten NLP-basierten Methoden überwacht und erfordern den Input von Menschen. Obwohl dies eine Verbesserung im Vergleich zu einem rein manuellen Ansatz darstellt, ist dies immer noch eine arbeitsintensive Aufgabe.“ Aber Forscher, die dieses Papier erstellt haben, konnten ein KI-System entwickeln, das „Informationen unabhängig voneinander genau identifizieren und extrahieren konnte“. Es nutzte ausgefeilte Techniken, die auf statistischen und geometrischen Dateneigenschaften basieren, um chemische Namen, Konzepte und Strukturen zu identifizieren. Grundlage hierfür waren etwa 1.5 Millionen Zusammenfassungen wissenschaftlicher Arbeiten zur Materialwissenschaft.“

Dann dieses maschinelle Lernprogramm „klassifizierte Wörter in den Daten anhand spezifischer Merkmale wie „Elemente“, „Energetik“ und „Bindemittel“. Beispielsweise wurde „Wärme“ der „Energetik“ und „Gas“ den „Elementen“ zugeordnet. Dies half unter anderem dabei, bestimmte Verbindungen mit Arten von Magnetismus und Ähnlichkeit mit anderen Materialien in Verbindung zu bringen und Einblicke in die Verbindung der Wörter zu gewinnen, ohne dass ein menschliches Eingreifen erforderlich war.“

Diese Methode ermöglichte es der KI, „Erfassen Sie komplexe Zusammenhänge und identifizieren Sie verschiedene Informationsebenen, was für Menschen praktisch unmöglich wäre.“ Dies ermöglichte es, Erkenntnisse zu liefern, die im Vergleich zu dem, was die auf diesem Gebiet tätigen Wissenschaftler derzeit leisten können, weit voraus sind. KI empfahl Materialien tatsächlich „für funktionale Anwendungen mehrere Jahre vor ihrer eigentlichen Entdeckung“. Es gab fünf solcher Vorhersagen, die alle auf Veröffentlichungen basierten, die vor dem Jahr 2009 veröffentlicht wurden. Beispielsweise gelang es der KI, eine Substanz namens CsAgGa2Se4as als zu identifizieren thermoelektrisches Material, das Wissenschaftler erst 2012 entdeckten. Wenn es die KI also schon 2009 gegeben hätte, hätte sie die Entdeckung beschleunigen können.“