مهندسان هوش مصنوعی گوگل سیستم هوش مصنوعی را در مسیری توسعه داده‌اند که بدون نیاز به کدنویسی انسانی و با سرعت زیاد بهبود پیدا می‌کند.

بیشتر کارهایی که با هوش مصنوعی انجام می‌شود، شامل فرایند آموزشی است که با عنوان یادگیری ماشین شناخته می‌شود و در آن، عملکرد هوش مصنوعی در انجام کارهایی مانند تشخیص گربه یا مکان‌یابی مسیر با تکرار بیشتر این کار بهبود می‌یابد. به‌تازگی، پژوهشگران از همین تکنیک برای ایجاد سیستم‌های هوش مصنوعی جدیدی بدون هرگونه مداخله‌ی انسانی استفاده کرده‌اند.

مهندسان گوگل سال‌ها روی سیستم یادگیری ماشین هوشمندی به‌نام سیستم AutoML (سیستم خودکار یادگیری ماشین) کار کرده‌اند که اکنون می‌تواند هوش‌های مصنوعی ایجاد کند که عملکرد آن از هوش‌های مصنوعی قبلی بهتر است. اکنون، پژوهشگران آن را طوری اصلاح کرده‌اند تا مفاهیم تکامل داروین را دربرگیرد و نشان داده‌اند سیستم مذکور می‌تواند برنامه‌های هوش مصنوعی ایجاد کند که به‌خودی‌خود سریع‌تر از زمانی بهبود پیدا می‌کند که انسان‌ها کدنویسی آن‌ها را انجام می‌دهند.

سیستم جدید AutoML-Zero نامیده می‌شود و اگرچه ممکن است کمی نگران‌کننده به‌نظر برسد، می‌تواند به توسعه‌ی سریع سیستم‌های هوشمندتر منجر شود. برای مثال، شبکه‌های عصبی که برای تقلید دقیق‌تر مغز انسان با چندین لایه و وزن‌دهی طراحی شده‌اند؛ یعنی چیزی که کدنویسان انسانی درباره‌ی آن مشکل دارند. پژوهشگران در مقاله‌ی پیش‌چاپ خود نوشته‌اند:

امروزه این امکان‌پذیر است که به‌طورخودکار الگوریتم‌های کامل یادگیری ماشین را فقط با استفاده از عملیات پایه‌ای ریاضی به‌عنوان واحدهای ساختاری کشف کنیم. ما این کار را با معرفی چهارچوب جدیدی نشان داده‌ایم که ازطریق فضای جست‌وجوی عمومی، اریب ناشی‌ از انسان را کاهش می‌دهد.

هدف سیستم AutoML اولیه آن است که کاربرد یادگیری ماشین را برای اپلیکیشین‌ها آسان‌تر کند و در‌حال‌حاضر، شامل ویژگی‌های خودکار زیادی است؛ اما AutoML-Zero مقدار ورودی‌های موردنیاز انسانی را کاهش می‌دهد. با استفاده از فرایند ساده‌ی سه‌مرحله‌ای شامل راه‌اندازی و پیش‌بینی و یادگیری، این سیستم را می‌توان به چشم «یادگیری ماشینی از صفر» دید. این سیستم با مجموعه‌ای از ۱۰۰ الگوریتم ساخته‌شده با ترکیب تصادفی عملیات ساده ریاضی شروع به کار می‌کند. سپس، فرایند پیچیده‌ی آزمون و خطا بهترین اجراکننده را شناسایی می‌کند که با ترفندهایی برای دور دوم آزمایش‌ها حفظ می‌شود. به‌عبارت‌دیگر، شبکه عصبی همان‌طورکه جلو می‌رود، دچار جهش می‌شود.

وقتی کد جدید تولید می‌شود، روی وظایف هوش مصنوعی مانند تشخیص تفاوت تصویر کامیون و تصویر سگ آزمایش می‌شود و الگوریتم دارای بهترین عملکرد برای دور بعدی حفظ می‌شود (مانند بقای اصلح در انتخاب طبیعی). سرعت آن نیز زیاد است و پژوهشگران برآورد کرده‌اند تا ۱۰ هزار الگوریتم می‌تواند در هر ثانیه به‌ازای پردازنده جست‌وجو شود (هرچه تعداد پردازنده‌های بیشتری برای انجام وظیفه موجود باشد، سریع‌تر کار خواهد کرد).

بدین‌ترتیب، انتظار می‌رود سیستم‌های هوش مصنوعی استفاده‌ی گسترده‌تری پیدا کند و دسترسی برنامه‌نویسان بدون تخصص هوش مصنوعی به آن‌ها آسان‌تر شود. حتی ممکن است سیستم جدید به ما کمک کند تا اریب انسانی را از هوش مصنوعی حذف کنیم؛ زیرا انسان‌ها به‌ندرت درگیر آن می‌شوند. پژوهش درزمینه‌ی بهبود AutoML-Zero ادامه دارد، با این امید که درنهایت بتواند الگوریتم‌هایی را حاصل کند که برنامه‌نویسان انسانی به‌تنهایی هرگز درباره‌ی آن فکر هم نمی‌کردند.

هوش مصنوعی جدید پژوهشگران درحال‌حاضر تنها می‌تواند سیستم‌های هوش مصنوعی ساده‌ای را تولید کند؛ اما آن‌ها معتقدند پیچیدگی آن می‌تواند نسبتا به‌سرعت افزایش پیدا کند. ریستو میککولینین، دانشمند علوم کامپیوتر دانشگاه تگزاس در آستین می‌گوید:

درحالی‌که بیشتر افراد قدم‌های کوچکی برمی‌دارند، این پژوهشگران گامی بزرگ در ناشناخته‌ها برداشته‌اند. این یکی از مقالاتی است که می‌تواند موجب پژوهش‌های زیادی در آینده شود.

 

جهت مشاهده بیشتر مطالب اینجا کلیک کنید

www.shimisanat.com

یک رویکرد یادگیری ماشین، انواع جدید و قدرتمندی از آنتی‌بیوتیک‌ها را از مخزنی متشکل‌از بیش از ۱۰۰ میلیون مولکول شناسایی کرد.

یکی از این مولکول‌ها، مولکولی است که دربرابر طیف وسیعی از باکتری‌ها ازجمله باکتری عامل سل و سویه‌های که غیرقابل درمان درنظر گرفته می‌شوند، مؤثر است.

پژوهشگران می‌گویند این آنتی‌بیوتیک که هالیسین (halicin) نام دارد، اولین آنتی‌بیوتیکی است که با استفاده از سیستم هوش مصنوعی کشف شده است.

اگرچه هوش مصنوعی قبل از این به‌منظور کمک به بخش‌هایی از فرایند کشف آنتی‌بیوتیک‌ها مورد استفاده قرار گرفته بود، به‌گفته‌ی پژوهشگران، این نخستین‌بار است که یک سیستم هوش مصنوعی انواع کاملا جدیدی از آنتی‌بیوتیک‌ها را بدون درنظر گرفتن فرضیات پیشین انسانی و به‌خودی‌خود کشف کرده است.

نتایج پژوهش جدید که تحت هدایت جیم کالینز، متخصص زیست‌شناسی مصنوعی از مؤسسه‌ی فناوری ماساچوست انجام شده، در مجله‌ی Cell منتشر شده است.

ژاکوب دورانت، متخصص زیست‌شناسی محاسباتی از دانشگاه پیتسبورگ در پنسیلوانیا این مطالعه را قابل‌توجه می‌خواند. او می‌گوید پژوهشگران فقط مولکول‌های کاندیدا را شناسایی نکردند بلکه همچنین مولکول‌های امیدوارکننده را در آزمایش‌های حیوانی تأیید کردند. علاوه‌بر‌این، رویکرد آن‌ها می‌تواند درمورد انواع مختلف داروها مانند داروهای درمان سرطان یا بیماری‌های نورودژنراتیو نیز به کار آید.

مقاومت باکتریایی دربرابر آنتی‌بیوتیک‌ها به‌طرز چشمگیری در سرتاسر جهان در حال افزایش است و پژوهشگران پیش‌بینی می‌کنند که اگر داروهای جدیدی به‌سرعت توسعه پیدا نکند، عفونت‌های مقاوم می‌توانند در آینده‌ای نزدیک (تا سال ۲۰۵۰)، هر سال ۱۰ میلیون نفر را به کام مرگ بفرستند. اما طی چند دهه‌ی گذشته، روند کشف و تأیید آنتی‌بیوتیک‌های جدید کند بوده است. کالینز می‌گوید:

کالینز و گروهش یک شبکه‌ی عصبی (الگوریتم هوش مصنوعی الهام‌گرفته از معماری مغز) ایجاد کردند که ویژگی‌های مولکول‌ها را اتم به اتم یاد می‌گیرد.

پژوهشگران به‌منظور یافتن مولکول‌هایی که از رشد باکتری اشریشیا کلی ممانعت می‌کنند، شبکه‌ی عصبی خود را با استفاده از مجموعه‌ای متشکل‌از ۲۳۳۵ مولکول که فعالیت آنتی‌باکتریایی آن‌ها شناخته شده بود، آموزش دادند.

این داده‌ها شامل کتابخانه‌ای متشکل‌از حدود ۳۰۰ آنتی‌بیوتیک تأییدشده و نیز ۸۰۰ محصول طبیعی از منابع گیاهی، جانوری و میکروبی بود. رجینا برزیلی پژوهشگر حوزه‌ی هوش مصنوعی در مؤسسه‌ی فناوری ماساچوست و یکی از نویسندگان مقاله‌ی جدید می‌گوید:

الگوریتم یاد می‌گیرد که عملکرد مولکول را بدون درنظر گرفتن هیچ فرض درمورد نحوه‌ی عمل داروها و بدون برچسب‌گذاری گروه‌های شیمیایی، پیش‌بینی کند.

درنتیجه، این مدل می‌تواند الگوهای جدیدی را که برای متخصصان انسانی ناشناخته مانده است، بیاموزد.

پژوهشگران پس از آموزش مدل، از آن برای غربال‌گری کتابخانه‌ای به‌نام Drug Repurposing Hub استفاده کردند که حاوی حدود ۶ هزار مولکول تحت بررسی برای درمان بیماری‌های مختلف انسانی است.

پژوهشگران از مدل خود خواستند که پیش‌بینی کند کدام مولکول‌ها دربرابر اشریشیا کلی مؤثر هستند و فقط مولکول‌هایی را به آن‌ها نشان دهد که با آنتی‌بیوتیک‌های معمول فرق دارند. پژوهشگران ازمیان مولکول‌های پیشنهادی سیستم، حدود ۱۰۰ مولکول کاندیدا را برای آزمایش‌های فیزیکی انتخاب کردند.

مشخص شد یکی از این مولکول‌ها یعنی مولکولی که برای درمان دیابت مورد بررسی قرار دارد (هالیسین)، آنتی‌بیوتیک قوی است. مولکول مذکور در آزمایش‌های انجام‌شده روی موش‌ها، دربرابر طیف وسیعی از پاتوژن‌ها ازجمله سویه‌ای از کلوستریدیوم سخت (Clostridioides difficile) و سویه‌ای از آسینتوباکتر بائومانی (Acinetobacter baumannii) که دارای مقاومت آنتی‌بیوتیکی هستند، فعال بود.