совершать неожиданные открытия, выходящие за рамки человеческих представлений. Самообучающиеся алгоритмы способны самостоятельно искать необычные паттерны в данных, не опираясь на заранее заданные шаблоны и гипотезы. Фактически это путь к "автоматизированным открытиям", когда искусственный интеллект будет не просто помощником ученого, но равноправным участником научного поиска.
Первой ласточкой такого подхода стала система SkyNet, разработанная астрономами из Австралии. Основанная на методах глубокого обучения, она самостоятельно анализирует огромные массивы данных в поисках редких и необычных астрономических объектов и явлений. В частности, SkyNet уже обнаружила несколько десятков уникальных двойных галактик и галактик с экстремальным звездообразованием, на которые раньше не обращали внимание. По сути, это первый шаг к тому, чтобы астрономические открытия совершал сам искусственный интеллект, а не человек.
Похожие тенденции наблюдаются и в других естественных науках. В физике ИИ-методы применяются для анализа экспериментов на БАК и других ускорителях, где нужно в реальном времени отфильтровывать "бесполезные" события и выделять крайне редкие, но потенциально революционные столкновения частиц. Нейросети научились реконструировать треки частиц, моделировать адронные ливни в калориметрах, предсказывать фон и сигнальные события не хуже, а то и лучше алгоритмов, написанных людьми вручную. В будущем искусственный интеллект наверняка будет не просто инструментом анализа данных, но полноценным "физиком", способным планировать эксперименты и даже разрабатывать новые теории.
В химии и материаловедении рассматриваемая технология применяется для предсказания свойств веществ, поиска новых лекарств и функциональных материалов. Традиционно дизайн молекул и композитов – это либо трудоемкий итеративный процесс, в котором химик полагается на свою интуицию и опыт, либо случайный скрининг огромных библиотек веществ. Но обученные на больших базах данных интеллектуальные модели способны точно предсказывать желаемые свойства (например, биологическую активность или прочность) по структурной формуле вещества. А генеративные алгоритмы, вроде автоэнкодеров и GAN, уже учатся создавать совершенно новые соединения с заданными характеристиками.
Например, фармацевтический гигант GSK использовал ИИ-платформу AtomNet для создания новых лекарств против редких заболеваний. Обученная на миллионах молекул, система предложила несколько перспективных препаратов-кандидатов, которые были успешно синтезированы и показали высокую эффективность. Причем на весь цикл от идеи до лабораторных тестов ушли считанные месяцы вместо традиционных лет! По сути искусственный интеллект начинает превращать разработку новых веществ из трудоемкого искусства в почти инженерную дисциплину с более точным дизайном и быстрым циклом воплощения идей.
Но, пожалуй, главный прорыв, который обещает искусственный
