Interjú Igor Baskin professzorral, a fizikai és matematikai tudományok doktorával, a Moszkvai Állami Egyetem Fizikai Karának vezető kutatójával.
Mi okozza a legnagyobb nehézséget neurális hálózatok megtanulni összefüggést megállapítani az anyag szerkezete és fizikai és kémiai tulajdonságai között?
A legnagyobb nehézség és legfontosabb jellemzője A neurális hálózatok, valamint bármely más gépi tanulási módszer alkalmazása a vegyi anyagok szerkezete és tulajdonságai közötti összefüggések feltárására abban rejlik, hogy ebben az esetben a valós természetet kell modellezniük annak rendkívül összetett és olykor ismeretlen szerveződésével, amelyet a vegyi anyagok irányítanak. szigorú, de a gyakorlatban nem mindig alkalmazható jogszabályok.
Ez alapvető különbség a neurális hálózatokkal megoldott szabványos feladatoktól, mint például a képfelismerés. Valójában az a tény, hogy a 8-as számot két szomszédos körként ábrázolják, nem a természeti törvények következménye – egyszerűen az emberek közötti megállapodások tárgya. De a rómaiak egy időben úgy döntöttek, hogy jobb, ha ugyanazt a számot ábrázolják, mint VIII. Mivel az ilyen megállapodásokat a kényelem érdekében kötötték, formájukat úgy választják meg, hogy az ember fejében lévő természetes neurális hálózatok nagyon könnyen felismerjék őket tudatalatti szinten.
Ezért számomra úgy tűnik, hogy a mesterséges neurális hálózatok, amelyek bizonyos mértékig utánozzák az emberi fej információfeldolgozásának bizonyos aspektusait, szintén könnyen megbirkóznak velük.
Most térjünk át a vegyszerekre. Az aszpirin gyulladáscsökkentő hatása annak tudható be, hogy a hatóanyag és az enzimmolekulák térbeli formáinak komplementaritása, valamint az acetilszalicilsav-molekuláit alkotó acetilszalicilsav-molekulák képesek gátolni a ciklooxigenáz enzim működését, a gyógyszer és az enzimmolekulák térbeli formáinak komplementaritása, valamint a szervezetben ható számos erő kedvező egyensúlya miatt. rendszer.
A vegyi anyagok szerkezetétől függő tulajdonságainak előrejelzésének feladatával, ellentétben például a képfelismerés problémájával, az evolúció során még soha nem találkoztunk, ezért agyunk természetes neurális hálózatai ezt a tudatalattinál nem tudják megoldani. szintre ugyanolyan könnyedén.
Valójában minden gyermek (és még néhány állat is) könnyen megkülönböztetheti a macskát a kutyától a képen, de még egy tucat Nobel-díjas is, ha egy kémiai vegyület képletét nézi, nem valószínű, hogy azonnal kitalálja. teljes készlet tulajdonságait.
Ez egy másik összetettségi szintű feladat. Megoldásában nagy probléma még az is, amit általában egyáltalán nem érzékelnek bonyolultnak, például az, hogy az elemzett objektumot hogyan kell bemutatni a neurális hálózatnak. A képfeldolgozásban például a természetes ábrázolás pixelintenzitás halmaza.
De az, hogy egy neurális hálózat számára hogyan lehet a legjobban ábrázolni az anyag szerkezetét, az már feladatokból származó feladat, és nincs ilyen egyszerű megoldások. A megoldására használt ún. molekuláris leírók, azaz. a speciális számítási eljárásoknak, amelyek lehetővé teszik egy anyag szerkezetének leírását egy számkészlet segítségével, számos hátrányuk van. A kemoinformatika, az utóbbi években nagyon intenzíven fejlődő tudomány azzal foglalkozik, hogyan lehet a vegyi anyagokkal kapcsolatos információkat a legjobban ábrázolni és feldolgozni.
Anélkül, hogy a kemoinformatikában felhalmozott tudományos ismeretekre támaszkodnánk, minden olyan próbálkozás, amely neurális hálózatok segítségével kapcsolatot teremt egy anyag szerkezete és tulajdonságai között, tiszta játékká válik a számokkal, és nem vezet gyakorlatilag fontos eredményre. Valószínűleg ez a fő nehézség a neurális hálózatok ilyen célú használatában.
Mi a 10 legnagyobb kihívás a mesterséges intelligencia számára a szintetikus kémiában?
1. Hogyan lehet egy adott kémiai vegyületet szintetizálni a rendelkezésre álló reagensekből?
2. Hogyan lehet egy adott aktivitású kémiai vegyületet szintetizálni?
3. Hogyan fog kinézni egy adott típusú biológiai aktivitásra orientált kémiai vegyületek kombinatorikus könyvtára, és hogyan lehet szintetizálni?
4. Mi történik a reakció eredményeként, ha az adott kémiai vegyületeket az adott körülmények között összekeverjük?
5. Milyen körülmények között kell egy adott reakciót végrehajtani? Hogyan lehet optimalizálni az ilyen körülményeket (hőmérséklet, oldószer, katalizátor, adalékok)?
6. Mi az adott reakció valószínű mechanizmusa?
7. Hogyan növelhető egy adott reakció hozama?
8. Sorolja fel a lehetséges kémiai reakciókat!
9. Adott vegyület szintetikus hozzáférhetőségének (szintézis könnyűségének) értékelése.
10. Jósolja meg az egyszerű reakciók kinetikai és termodinamikai jellemzőit, valamint az összetett reakciók hozamát!
Mi a feladata az összes lehetséges kémiai reakció kiszámításának?
Talán ez a fenti két feladat kombinációja: (8) a lehetséges kémiai reakciók felsorolása és (10) kinetikai és termodinamikai jellemzőik és hozamuk előrejelzése.
Hogyan lehet a kemoinformatikában a legjobban megérteni az anyag szerkezetét? Valami többdimenziós mátrix? Mennyire írják le jól az egész szerkezetet? Vannak hiányosságok, amelyeket pótolni kell?
Erre a kérdésre nincs egyszerű és egyértelmű válasz. Minden attól függ, hogy milyen típusú anyagok kérdéses, valamint azt, hogy milyen feltételek mellett és milyen összesítési állapotban tekinthetők. Ezenkívül az ábrázolás konkrét típusának kiválasztása attól is függ, hogy milyen célból készült - egy anyag egyértelmű azonosításához, adatbázisban való tároláshoz, bármilyen modell felépítéséhez, információk átviteléhez a programok között.
A kemoinformatikában ezekre a célokra rendszerint különböző reprezentációkat használnak. A legegyszerűbb eset a telített szénhidrogének - szerves vegyületek, amelyek csak szén- és hidrogénatomokból állnak, és nem tartalmaznak több kötést. Ezek ábrázolásához célszerű olyan gráfokat használni, amelyekben a csúcsok a szénatomoknak, az élek pedig a köztük lévő kötéseknek felelnek meg. Érdekes megjegyezni, hogy a különböző izomerek szerves vegyületekben való jelenlétének magyarázata volt az ösztönzőleg a gráfelmélet alapjainak megteremtésében és fejlesztésében, az izomerek felsorolása pedig a kombinatorikus csoportok számára. elmélet. A diszkrét matematikának mindkét ága később nagyon széles körű alkalmazás a tudományos ismeretek szinte minden területén.
A komplikáció következő szintje az önkényes kis molekulatömegű szerves vegyületek. Ilyenek például a legtöbb gyógyszer molekulái, valamint szintézisük kezdeti reagensei és intermedierei. Azonosításukra szintén kényelmes gráfokat használni, de ezúttal címkézett csúcsokkal és élekkel. Ebben az esetben a csúcsok címkéi a kémiai elemek jelölései, az élek címkéi pedig a kötési sorrendek.
Molekulák belső reprezentálásához véletlen hozzáférésű memória számítógép, ebben az esetben lehetőség van gráf kapcsolódási mátrixok használatára, de a valóságban gyakrabban alkalmaznak összetett adatstruktúrákat, beleértve az atomok és kötések táblázatait.
Az adatbázisokban található struktúrák keresésének hatékony megszervezésére és azok egymással való összehasonlítására az ábrázolások között a legnépszerűbbek a speciális bitsorok, az úgynevezett „molekuláris ujjlenyomatok” (ujjlenyomatok).
A vegyületek szerkezetét a tulajdonságaikkal összekapcsoló modellek felépítéséhez reprezentációként jellemző vektorokat használnak, amelyeket a kemoinformatikában „molekuláris leíróknak” neveznek. Nagyon sokféle van (több ezer!) különféle típusok molekuláris leírók.
A programok közötti információcserére és a kémiai szerkezetek "külső" ábrázolására jelenleg a SMILES nevű szövegsorok a legnépszerűbbek. A szerves vegyületek ábrázolásának feladatát megnehezítik olyan tisztán kémiai jelenségek, mint az elektrolitikus disszociáció, mezomerizmus és tautoméria, amelyek eredményeként egy szerves anyag különböző gráfok egész halmazával írható le, és ezért többféle ábrázolása is lehet, amelyekből a „kanonikus” ábrázolást általában azonosítás céljából választják.
A feladat még bonyolultabbá válik, ha figyelembe kell venni a geometriai és térbeli izomériát (sztereoizomériát), ami gráfszinten nem mindig lehetséges, és gyakran hipergráf-reprezentáció elemeit igényli. Ezenkívül a modellezéshez figyelembe kell venni a rugalmas molekulákban - konformerekben - számos térbeli forma jelenlétét. Mindezeket a körülményeket figyelembe kell venni a vegyi anyagok gépi tanuláshoz való reprezentációinak kiválasztásakor.
A következő komplexitási szinteken például a szupramolekuláris komplexekre, szintetikus polimerekre, szilárd anyagokra való áttéréskor még nehezebbé válik az anyag szerkezetének legmegfelelőbb reprezentációjának megtalálása, és erre nem is javasoltak kielégítő megoldást. eddig.
A polimerek és kristályok számítástechnikájában a létező megközelítések elsősorban a modellezésre, majd a legegyszerűbb esetekre koncentrálnak, és a szupramolekuláris kémia informatikájának megalkotására még nem történtek kísérletek. Itt tehát nem résekről kell beszélnünk, hanem egy nagy terra inkognitón belüli kis feltárt területekről.
A vegyszerek számítógépes ábrázolásának módszerei iránt érdeklődők figyelmébe ajánlom monográfiánkat: T.I.Madzhidov, I.I.Baskin, I.S.Antipin, A.A. Warnek, Bevezetés a kemoinformatikába. Kémiai szerkezetek számítógépes ábrázolása”. Kazan: Kazan. un-t, 2013, ISBN 978-5-00019-131-6.
Milyen jelentős előrelépések történtek ebben az évben a szintetikus kémiában?
A szintetikus szerves kémia közel 200 éves, alaptudományi fejlődésének fő csúcsa a múlt század második felére esett, amikor megfogalmazták alaptörvényeit, és megmutatták a tetszőleges összetettségű anyagok szintetizálásának valódi lehetőségét. .
Manapság egyre többen beszélnek a szintetikus kémiáról, mint már kialakult alkalmazott tudományágról, amelynek fő feladata megtalálni legjobb módjai a kívánt tulajdonságokkal rendelkező anyagok beszerzése. Ennek eredményeként régóta sok területre osztották (például orvosi kémia, petrolkémia, katalízis, különféle anyagok kémiája), amelyek mindegyikében folyamatosan fejlődik.
Számomra az utóbbi évek munkái a robotika területén, egy új tudományos és alkalmazott tudományág, amely az anyagok szintézisének folyamatát speciális, számítógéppel vezérelt robotok segítségével automatizálni kívánja, a leginkább érdekeltek.
Külön szeretném megjegyezni az elmúlt évek eredményeit a számítógépes chipekbe integrált miniatűr kémiai reaktorok létrehozásában, amelyek lehetővé teszik szintetizált anyagok szintézisének, izolálásának, elemzésének, sőt biológiai vizsgálatának elvégzését szó szerint egy általa vezérelt számítógépen belül. mesterséges intelligencia.
Melyek a gépi tanulás fejlődése a szintetikus kémiában? hol állunk?
A történelmi kontextus ismertetésével kezdem. Amióta a „mesterséges intelligencia” kifejezést az 1950-es években megalkották, a kémia (és különösen a szintetikus szerves kémia) az orvosi diagnosztikával együtt a jövőbeni alkalmazásának egyik fő területe. A többi feladat nagy részét jóval később tűzték ki.
Fejlesztésének első szakaszában a fő hangsúly az ún. tudásbázisokban tárolt, szakértő vegyészek által megfogalmazott szabályokon és következtetési mechanizmuson alapuló szakértői rendszerek.
A szintetikus kémia területén az első sikeres szakértői rendszer az LHASA program volt, amelyet a kémiai Nobel-díjas Elias Corey irányításával fejlesztettek ki a múlt század 70-es éveinek elejére. Elmondható, hogy az LHASA a maga idejében forradalmat csinált mind a szintetikus szerves kémia, mind a mesterséges intelligencia területén, és hosszú évekre meghatározta a számítógépes szintetikus kémia fejlődésének fő irányait. Történt ugyanis, hogy a szintetikus kémia vált azzá a területté, ahol a 80-as években a mesterséges intelligencia képességei nagyon közel kerültek a tapasztalt szintetikus vegyészek képességeihez. Ez határozta meg a szintetikus kémia népszerűségét a 70-es és 80-as években a mesterséges intelligencia specialistái között.
Ennek ellenére a mesterséges intelligencia által a szintetikus kémia területén elért nagy sikerek ellenére a 90-es évekre ennek az iránynak a népszerűsége meredeken csökkent, sőt gyakorlatilag nulla lett.
Paradox dolog történt, amiről még mindig vitatkoznak a szakemberek. Bár a számítógép szintézistervező képessége megközelítette a szintetikus vegyészek képességét, ez utóbbiakra továbbra is szükség van a szintézis elvégzéséhez, és ebben semmilyen számítógép sem helyettesítheti őket. Ennek eredményeként a számítógépes programokat drága "játéknak" tekintik, amely nélkülözhető, és nem érdemes rá pénzt költeni. Ez éppen egybeesett a mesterséges intelligencia területén a „tél” kezdetével, amikor világossá váltak a szabályalapú szakértői rendszerek alapvető hiányosságai: a tudásnak csak egy kis részét tudják a szakértők világos szabályok formájában reprezentálni és megfogalmazni. , és ezért a szakértők által csak intuíció szintjén észlelt nagy részük kihasználatlannak bizonyul a szakértői rendszerek keretein belül.
Körülbelül ez vezetett az egykor ambiciózus japán ötödik generációs számítógépes program összeomlásához.
A gépi tanulás szintézistervezésben való felhasználásával foglalkozó első munka a 80-as évek végén és a 90-es évek elején jelent meg, mint a szabályalapú szakértői rendszerek már említett hiányosságainak leküzdésére irányuló kísérletek azáltal, hogy magát a számítógépet tanítják (humán szakértők segítsége nélkül) a tudás kinyerésére. a kémiai vegyületek reakcióképességét az ekkor kezdődő, a kémiai reakciókról a szakirodalomban közölt információkat tartalmazó adatbázisokból.
Ez a tudás eleinte olyan szabályok formájában öltött testet, amelyek a meglévő szakértői rendszerek tudásbázisát hivatottak feltölteni, majd a szintetikus kémikus intuícióját utánzó „fuzzy” szabályokat kezdték kinyerni, amelyekhez a neurális hálózatokat kezdték vissza használni. a 90-es évek elején. El kell mondanunk, hogy jelenleg a gépi tanulás szintetikus kémiában történő alkalmazásának központi iránya az a feladat, hogy a publikált reakciók adatbázisaiból automatikusan kinyerjük a reaktivitásra vonatkozó ismereteket későbbi felhasználásra a szakértői rendszerek új generációja keretében.
Egy másik fontos irány most is a gépi tanulás alkalmazása az anyag szerkezete és tulajdonságai közötti kapcsolat megteremtésére, amely lehetővé teszi azon anyagok szintézisét, amelyeket a felépített modellek szerint a kívánt tulajdonságkészlettel kell jellemezni.
Az automatikus adatkinyerés első példái több tucat reakciót tartalmazó adatbázisokat használtak, majd ezrek, tízezrek mentek tovább, és most már folyamatban van a munka millió és tízmillió reakcióval, amelyek már lefedik a 200 alatt világszerte végrehajtott összes reakciót. a szintetikus kémia létezésének évei. Megtörtént az átmenet a mennyiségről a minőség felé, és a világ a "big data" (big data) korszakába lépett. A 90-es évek eleje óta a számítógépek teljesítménye több nagyságrenddel nőtt, különösen a grafikus kártyák GPU.
Az elmúlt években elérhetővé vált a „deep learning” (deep learning) módszertana is, amely nagy mennyiségű adatból teszi lehetővé az igen összetett mintákon alapuló tudás kinyerését. Mindez ahhoz vezetett, hogy az elmúlt években robbanásszerűen megnőtt az érdeklődés a szintetikus kémia mesterséges felhasználása iránt. Fontosabb és érdekesebb írások jelentek meg az elmúlt két évben, mint az elmúlt 20 évben összesen. Így véget ért a "tél" és azonnal "tavasz" nélkül felváltotta egy nagyon "forró nyár". Jelenleg a hatalmas mennyiségű felhalmozott tudás miatt egy embernek, még egy nagyon tapasztalt szintetikus vegyésznek is nagyon nehéz felvenni a versenyt a mesterséges intelligenciával a szintézistervezésben.
Aki ezt a kérdést részletesebben szeretné megérteni, annak ajánlom most megjelent monográfiánkat: I. I. Baskin, T. I. Majidov, A. A. Varnek „Bevezetés a kemoinformatikába. 5. rész. Kémiai reakciók informatikája. Kazan: Kazan. un-t, 2017, ISBN 978-5-00019-907-7.
Milyen közel állunk a lehetséges kémiai reakciók felsorolásához? A tudomány körülbelül 90 millió reakciót tud? Mi az ismeretlen sorrendje?
Csak diszkrét és egymástól egyértelműen eltérő dolgokat lehet felsorolni, például kis molekulatömegű szerves vegyületeket, amelyeket különböző grafikonok írnak le. A reakciók esetében a felsorolási probléma megfogalmazása nagyon nem nyilvánvaló. Például az etil-acetát és a metil-acetát hidrolízis reakciói különböző reakciók, vagy ugyanannak a reakciónak a két példája?
Az etil-acetát hidrolízise lúgos és savas közegben különböző reakciók, vagy ugyanaz a reakció megy végbe különböző körülmények között? Magának a reakciók felsorolásának tehát csak egy konkrét reakcióosztályozási séma keretein belül van értelme, amely meghatározza, hogy mi tekinthető egy reakciónak és mi más.
Sokan vannak különböző sémák a szerves reakciók osztályozása, és mindegyiknek többszintű hierarchikus struktúra. A legalacsonyabb (részletezett) szinten, ahol a különböző vegyületek képződési reakcióit különböző reakcióknak tekintjük, a reakciók száma nem lehet kevesebb, mint a kémiai vegyületek száma, a kis molekulatömegű vegyületek pedig a legóvatosabb becslések szerint is 10 60-as hatványra, vagyis lényegesen több, mint az egész Univerzum elemi részecskéje. A legmagasabb (absztrakt) szinten nagyon kevés lehet belőlük. Például a szerves reakciók legtöbb elemi lépését csak néhányan írják le általános sémák kapcsolatok újraelosztása. Minden attól függ, hogy mit értünk a reakciók felsorolásán.
Kérjük, írja le részletesebben a feladatot: „Hogy fog kinézni, és hogyan lehet szintetizálni egy adott típusú biológiai aktivitásra orientált kémiai vegyületek kombinatorikus könyvtárát?”
Tegyük fel, hogy egy bizonyos osztályba tartozó vegyületek (például a szubsztituált pirazolok) ismert módon a kívánt típusú biológiai aktivitást mutatják. A kihívás az, hogy ugyanazon osztály más képviselőit egyetlen lépésben, nagy hozammal szintetizálják a kereskedelemben kapható anyagok katalógusából származó különböző prekurzorok (a szintézis kezdeti reagensei) kombinálásával.
Az így szintetizált kémiai vegyületek halmaza (könyvtára) biológiai vizsgálatoknak adható, amelyek javított tulajdonságokkal rendelkező vegyületeket tárhatnak fel. Ez egy nagyon valós probléma, amely gyakran felmerül az új gyógyszerek fejlesztése során a "vezető tulajdonságainak optimalizálása" (ólomoptimalizálás) szakaszában.
Ebben az esetben a számítógépes programnak fel kell ajánlania egy módszert a kiválasztott osztályba tartozó vegyületek egy lépésben több prekurzorból történő előállítására, a katalógusban meg kell találnia az erre alkalmas prekurzorokat, és minden kombinációnál értékelni kell a magas hozamú szintézisreakció lehetőségét. Például a WODCA számítógépes rendszer egyik modulja (W.-D. Ihlenfeldt, J. Gasteiger, Angew. Chem., Int. Ed. Engl., 1995, 40, 993-1007) az ilyen problémák megoldására összpontosít. .
A világon mely tudományos csoportok vezetnek a mesterséges intelligencia szintetikus kémiában történő használatában? Mik az eredményeik?
Már sok ilyen csoport létezik. Szelektíven felsorolok több csoportot, amelyek jelenleg aktívan dolgoznak ebben az irányban.
1. J. Gasteiger (Erlangen, Németország) - a kemoinformatika egyik "atyja", aki óriási mértékben hozzájárult a kemoinformatika, mint tudomány kialakulásához, úttörő a neurális hálózatok kémiában való használatában. Vezetése alatt több számítógépes rendszerek szerves szintézis tervezése: EROS, WODCA. A mesterséges intelligencia szintetikus kémiában való felhasználása szempontjából különösen érdekes munkája Kohonen önszerveződő neurális hálózatainak felhasználásával kémiai reakciók feltérképezésére és a szerves vegyületek reaktivitásával kapcsolatos ismeretek kinyerésére.
2. G. Schneider (Zürich, Svájc). A mesterséges intelligencia szintetikus kémiában való felhasználása szempontjából nagy érdeklődésre tart számot a DOGS programban megvalósított megközelítés, amely lehetővé teszi, hogy egy adott biológiailag aktív vegyület analógjainak szerkezetét és szintézisútjait egy sor segítségével megtalálja. könnyen megvalósítható szerves reakciók és a szintézishez elérhető reagensek katalógusa. Külön érdekesség még a csoportjában kifejlesztett ALOE platform, amelyet a vezető vegyület automatikus optimalizálására terveztek (gyógyszerek fejlesztése során) mikroáramlásos szintézis technológiával, kontrollált chipekkel. szoftver eszközök gépi tanulási módszereken alapul.
3. K. Funatsu (Tokió, Japán). Irányítása alatt kidolgozták a szerves szintézis tervezésének KOSP szakértői rendszerét, amely a reakciók adatbázisából automatikusan visszakeresett szabályokon alapul. A kémiai reakciók termékeinek előrejelzésére szolgáló SOPHIA rendszer ugyanezen szabályokon alapul.
4. B. A. Grzybowski, Evanston (Illinois, USA és Varsó, Lengyelország). A fő termék a Chematica. Ez egy szintézistervező és -optimalizáló, amely a „szerves kémiai hálózaton” alapul, amely egy „tudásgráf”, amely 10 millió kémiai vegyületet tartalmaz csúcsként és 10 millió reakciót, amely összeköti őket.
5. P. Baldi (Irvine (Kalifornia), USA). Érdekes fejlesztések: Reaction Explorer (szabály alapú szakértői rendszer szerves kémiai reakciók termékeinek előrejelzésére) és Reaction Predictor (neurális hálózati rendszer, amely a reakciótermékek előrejelzésére szolgál a mechanizmusaik alapján)
6. W. Green és K. Jensen (W. H. Green, K. F. Jensen, Cambridge (Massachusetts, USA) Szerves vegyületek reakciótermékeinek előrejelzésére univerzális rendszert fejlesztettek ki, amely a reakciószabályok használatát kombinálja a mély tanulást alkalmazó neurális hálózatok modellezésével. .
7. M. Waller (Munster, Németország és Sanghaj, Kína) A "neuroszimbolikus" (neuroszimbolikus) megközelítés alapján egy univerzális rendszert dolgoztak ki a szerves szintézis tervezésére és a szerves vegyületek reakciótermékeinek előrejelzésére, az automatikusan kivont reakciószabályok alkalmazását kombinálva. mély tanulást alkalmazó neurális háló modellezéssel.
8. A. Varnek (Strasbourg, Franciaország) Az egyik legaktívabb csoport a kemoinformatika területén. Kidolgozták a "sűrített reakciógráf" koncepcióját, amely lehetővé tette a reakcióadatbázisokban a hasonlóság alapján történő keresést, a reakcióadatokra gépi tanulási algoritmusok alkalmazását, az optimális szintéziskörülmények előrejelzését, valamint a reakciók kémiai terének térképek készítését.
9. T.M. Majidov (Kazan, Orosz Föderáció) Jelenleg ez az egyetlen Orosz Föderáció aktívan dolgozó csoport, amely a szerves kémia szintetikus reakcióinak informatikája területén végez kutatásokat. Ennek keretében elvégezték a kémiai reakciók kinetikai és termodinamikai jellemzőinek előrejelzését, szakértői rendszert hoztak létre a szerves szintézis csoportjainak védelmére, valamint feltérképezték a kémiai reakciók tereit. A munka nagy részét a Strasbourgi Egyetem Kemoinformatikai Laboratóriumával (A. Warnek) szorosan együttműködve végzik.
Az elmúlt évtizedben aktívan vitatták az anyagok kristályszerkezetének előrejelzése terén elért eredményeket – ez az irány, hosszú ideje szinte reménytelennek számított. Az USPEX Oganov-Glass evolúciós algoritmus segítségével sok új stabil kémiai vegyületet lehetett felfedezni, amelyeket korábban figyelmen kívül hagytak a vegyészek. Mit gondol – milyen kilátások vannak az evolúciós megközelítésre az összetett szerves molekulák szintézisének területén? Ön szerint ebben az irányban kell-e sikerre számítanunk a következő tíz évben?
Az evolúciós megközelítést (főleg a genetikai algoritmust) több mint 25 éve aktívan alkalmazzák a kemoinformatikában, és úgy tartják. hagyományos módszer sztochasztikus optimalizálás. A legtöbb ismert molekuláris dokkolási algoritmus ezen alapul - egy szerves vegyület molekulájának (például egy potenciális gyógyszernek) a "biológiai célpont" (általában fehérje) üregébe történő "dokkolásának" folyamata.
A genetikai algoritmust nagyon gyakran használják leírók kiválasztására és a gépi tanulási módszerek paramétereinek optimális értékeinek megtalálására is, amikor a vegyi anyagok tulajdonságainak előrejelzésére szolgáló modelleket építenek. Gyakran használjuk a genetikai algoritmust is, amikor kémiai vegyületek és reakciók tereinek térképét készítjük.
De a genetikai algoritmust általában nem használják a szintézis tervezési probléma közvetlen megoldására. Nyilvánvalóan a Monte Carlo-módszer különféle módosításai hatékonyabbak erre a problémára. Ami a következő tíz évet illeti, a sztochasztikus optimalizálás számításilag hatékonyabb módszereinek megjelenésére számítok.
Az elmúlt években a gépi tanulás területén is észrevehető tendencia mutatkozott a felügyelet nélküli tanulási technikák kifejlesztése felé – ez egy nagyon vonzó irány, mivel a tömbök emberek részvételével történő címkézésének költsége megközelítőleg állandó marad, ill. a számítási teljesítmény folyamatosan növekszik és egyre olcsóbb. Az autoencoderek megjelenése megnyitotta az utat a beágyazási technikák megjelenése előtt, Joshua Benyo és Thomas Mikolov munkája szemantikai vektorterek létrehozásával forradalmasította a természetes nyelv neurális hálózatok általi feldolgozását (word2vec, GloVe technológiák stb.). Ennek a megközelítésnek az alkalmazása nagyon ígéretesnek tűnik, és a bioinformatika területén - DNS nukleotid szekvenciák, epigenomok, transzkriptomok - szerkezetükben nagyon emlékeztetnek a szövegekre. Vannak-e előrelépések e technológiák bioinformatikai alkalmazása terén? Jelentős előrelépést remél velük a biológiai adatok elemzése terén?
A bioinformatikáról nem mondok semmit, hiszen a kemoinformatika területén dolgozom, és ez nem ugyanaz. Ami az LSTM típusú visszatérő neurális hálózatokat használó szövegfeldolgozó algoritmusokat illeti, amelyek szemantikai vektorterek létrehozásához vezetnek, ezeket nagyon intenzíven használják a kemoinformatikában. Sőt, a kemoinformatikára még jobban is alkalmasak, mint a bioinformatikára.
Az a tény, hogy a kémiai szerkezetet is könnyű karakterláncként írni - erre a célra a SMILES kódolást használják. Ebben az esetben a kapott látens tér kiválóan alkalmas kémiai vegyületek mintáinak ábrázolására épületszerkezet-tulajdonsági modellekben. Sőt, amikor az így betanított visszatérő neurális hálózatokat generáló módban elindítjuk, új kémiai vegyületek struktúrái alakulnak ki. Ez lehetővé teszi például az új gyógyszerek molekuláinak tervezési problémájának megoldását.
Ami az autoencodereket illeti, még 2011-ben ezek alapján fejlesztettük és publikáltuk új módszer kémiai vegyületek könyvtárainak (adatbázisainak) virtuális szűrésének megvalósítása új gyógyszerek kifejlesztéséhez szükséges ígéretes molekulák felkutatása érdekében.
Ami a felügyelet nélküli tanulási módszereket illeti, azokat több mint 30 éve intenzíven alkalmazzák a kemoinformatikában. A 80-as években és a 90-es évek elején a klasszikus (a múlt század 30-as éveiben kifejlesztett!) Lineáris főkomponens módszer (PCA) volt a legnépszerűbb, a 90-es évek közepétől a 2000-es évek végéig a kétségtelenül vezető. a kemoinformatika területén az önszerveződő Kohonen-neurális hálózatok voltak népszerűek, míg az utóbbi években egyre népszerűbb a Kohonen-hálózatok Bayes-tanulásra épülő valószínűségi analógja - generatív topográfiai leképezések (GTM - Generative Topographic Mapping). a kemoinformatikában. Ez utóbbi módszer változatai nagyon jól használhatók nagy kémiai objektum-adatbázisokkal, beleértve a szerves szintézis reakciókat is. Más felügyelt oktatási módszerekből megoldani különböző feladatokat a kemoinformatika területén a támogató vektorgép (1-SVM) egyosztályú változatát is alkalmazzuk, valamint a szimmetrikus kapcsolatokkal rendelkező "energia alapú" neurális hálózatok egy speciális osztályát, mint a Hopfield hálózatok és a Restricted Boltzmann. Gép (RBM).
Mi a jövője az AI-nak a szintetikus kémiában? Milyen gyorsan veszi el a mesterséges intelligencia az állásokat a vegyészektől?
A jövőben több irányt látok az AI szintetikus kémiában való felhasználására, amelyek részben már jelenleg is megvalósulnak. Például a szövegfeldolgozásra és a képfelismerésre szolgáló mesterséges intelligencia-módszereket már aktívan használják a szakirodalomból és más forrásokból származó információk kinyerésére a vegyi anyagok szintézisének módszereiről, tulajdonságairól és reakciókészségéről. Ez már lehetővé teszi a bérbeadási költségek jelentős csökkentését. egy nagy szám szakképzett vegyészek (általában alulfizetett harmadik világbeli országokból), akik hatalmas mennyiségű publikált irodalomból gyűjtenek információkat adatbázisok kiegészítésére.
Ilyen „kézi” utánpótlási móddal a potenciálisan jelentős része hasznos információ„elveszettnek” bizonyul. Az AI-módszereket kezdik alkalmazni az adatbázisokban már összegyűjtött információk automatikus feldolgozására és elemzésére, a hibák megtalálására, kijavítására, valamint a hiányzó információk automatikus pótlására, ami jelentősen növelheti az ilyen információk értékét a szintetikus vegyészek számára.
Meg kell jegyezni, hogy a Kazany Szövetségi Egyetem Kemoinformatikai Laboratóriuma ebben az irányban vezető szerepet tölt be. A szintetikus vegyészeket munkájuk során már „elektronikus” folyóiratként kezdik használni notebookok” (elektronikus notebookok), amelyek a jövőben mesterséges intelligencia eszközökkel lesznek telítve, és a kémiai információgyűjtés fő eszközei lesznek.
A jövőben a mesterséges intelligencia veszi át a kémiai szintézissel és a vegyi anyagok tulajdonságaival kapcsolatos hatalmas mennyiségű publikált irodalom rendszeres áttekintését és elemzését, ami jelenleg minden kémikus számára jelentős időt vesz igénybe, és amit egyébként is rosszul teljesítenek. A jövőben a kémikusoknak „intellektuális asszisztensei” lesznek, akik a munkájuk során felmerülő kérdésekre tudnak válaszolni, például, hogyan lehet optimálisan szintetizálni a vegyi anyagokat, milyen anyagokat érdemes az adott célra szintetizálni. Az AI-eszközöket már most integrálják a szintetikus kémia, a farmakológia, a bioinformatika, az anyagtudomány és a robotika területéről. Ez a jövőben oda vezet, hogy a mesterséges intelligencia nemcsak tervezni, hanem rutinszerű kémiai szintézist is fog végezni, ami jelentősen növeli az új gyógyszerek és új anyagok fejlesztésének hatékonyságát. Úgy gondolom, hogy egy kicsit távolabbi jövőben az AI lesz a fő eszköz a kémiai kutatások tervezésében és lebonyolításában. A kemoinformatika modern fejlesztése éppen ezt célozza.
Most sokan, köztük számos neves tudós, nagy veszélyt látnak a mesterséges intelligencia széles körben elterjedt bevezetésében, amely elveheti az emberektől a munkát, és talán szükségtelenné is teheti az emberiség létezését. Mindenki azonnal emlékszik a "Terminátor" filmre. Ilyen veszély természetesen fennáll, de hasonló veszélyek merültek fel a gépek, ill információs technológiák. Úgy gondolom, hogy a mesterséges intelligencia fejlesztése inkább újabb szakterületek, munkahelyek megjelenéséhez vezet, mint a régiek felszámolásához. A szintetikus kémia területén a mesterséges intelligencia megkíméli az embereket az idő nagy részét elfoglaló rutinmunkától, és sokkal kreatívabbá és produktívabbá teszi a vegyészek munkáját. A mesterséges intelligencia nagyobb valószínűséggel segíti az emberi képességek fejlesztését és hatékony felhasználását, mint hogy veszélyt jelentsen rá.
A kérdéseket Misha Batin és Serjozsa Markov tette fel.
Napjainkban a tudományos és technológiai fejlődés gyorsan fejlődik. Egyik gyorsan növekvő iparága a mesterséges intelligencia.
Napjainkban a technológiai fejlődés gyorsan fejlődik. A tudomány nem áll meg, és évről évre az emberek egyre fejlettebb technológiákkal állnak elő. A technológiai haladás fejlesztésének egyik új iránya a mesterséges intelligencia.
Az emberiség több mint 50 éve hallott először a mesterséges intelligenciáról. Ez egy 1956-ban a Dartmouth Egyetemen tartott konferencián történt, ahol John McCarthy világos és pontos meghatározást adott a kifejezésnek. „A mesterséges intelligencia az intelligens gépek létrehozásának tudománya és számítógépes programok. E tudomány céljaira a számítógépeket az emberi intelligencia jellemzőinek megértésére használják, ugyanakkor a mesterséges intelligencia tanulmányozása nem korlátozódhat biológiailag elfogadható módszerek alkalmazására.
Mesterséges intelligencia modern számítógépek elég magas szinten, de nem olyan szinten, hogy viselkedési képességeik nem alacsonyabbak legalább a legprimitívebb állatoknál.
A "mesterséges intelligenciával" kapcsolatos kutatások eredménye az agy munkájának megértése, az emberi tudat titkai és a bizonyos szintű emberi intelligenciával rendelkező gépek létrehozásának problémája feltárása. Az intellektuális folyamatok modellezésének alapvető lehetősége abból fakad, hogy az agy bármely funkciója, bármilyen mentális tevékenység, amelyet egy véges számú szó felhasználásával, szigorúan egyértelmű szemantikával ír le, elvileg átvihető egy elektronikus digitális számítógépre.
Jelenleg különböző területeken fejlesztettek ki néhány mesterséges intelligencia modellt, de még nem hoztak létre olyan számítógépet, amely képes lenne bármilyen új területen információfeldolgozásra.
A mesterséges intelligencia tudományos irányvonalként való meghatározása óta az intelligens rendszerek fejlesztői elé állított legfontosabb feladatosztályok közül a következőket kell kiemelni. A mesterséges intelligencia területei:
Azt mondhatjuk, hogy a mesterséges intelligencia fejlesztésének fő célja az optimalizálás, képzeljük csak el, hogyan tudna egy ember anélkül, hogy veszélyben lenne, más bolygókat tanulmányozni, nemesfémeket kinyerni.
Ebből arra következtethetünk, hogy a mesterséges intelligencia tanulmányozása, fejlesztése az egész társadalom számára fontos. Hiszen ennek a rendszernek a használatával lehetséges az emberi élet biztosítása és megkönnyítése.
Ebben a cikkben megosztom tapasztalataimat a legegyszerűbb mesterséges intelligencia (AI) genetikai algoritmus segítségével történő termesztéséről, és beszélek a viselkedés kialakításához szükséges minimális parancskészletről is.
A munka eredménye az volt, hogy az AI a szabályokat nem ismerve önállóan elsajátította a tic-tac-toe játékot, és megtalálta az ellene játszó botok gyengeségeit. De egy még egyszerűbb feladattal kezdtem.
Szükségem volt az AI-ra, hogy tudjak adatokat olvasni és kiadni, memóriával dolgozni, számításokat végezni, stb logikai műveletek, átmeneteket és ciklusokat végezni. Rábukkantam a Brainfuck nyelvre, amely mindössze 8 utasítást tartalmaz, és bármilyen számítást elvégezhet (azaz a Turing befejeződött). Elvileg alkalmas genetikai programozásra, de tovább mentem.
Azon tűnődtem: mennyi a minimális parancsok száma egy algoritmus megvalósításához? Mint kiderült – egy!
Az URISC processzor csak egy utasítást tartalmaz: kivonás és kihagyás utasítást követve ha a részrész nagyobb volt, mint a minuend. Ez elegendő bármilyen algoritmus felépítéséhez.
Oleg Mazonka még tovább ment, kifejlesztette a BitBitJump parancsot, és bebizonyította, hogy ez a Turing teljes. A parancs három címet tartalmaz, egy bitet másol az elsőről a második memóriacímre, és átadja a vezérlést a harmadik címre.
Oleg ötleteit kölcsönözve, a munka egyszerűsítése érdekében kifejlesztettem a SumIfJump parancsot. A parancs négy operandust tartalmaz: A, B, C, D, és a következőket teszi: az A-című cellából adatokat ad hozzá a B-című cellához, ha az érték nagyobb, mint a megadott *, akkor a C-címre megy. , egyébként D címre megy.
jegyzet
*BAN BEN ez az eset a genom hosszának 128 - felét használta fel.
Alább látható a SumIfJump kód a FreePascalban (a Delphi ingyenes verziója).
Eljárás RunProg(ok: TData); var a, b, c, d: TData; begin Inc(NStep); ha NStep > MaxStep, akkor kezdődik ProgResult:= "MaxStep"; kijárat; vége; a:=s; b: = s + 1; c:= s+2; d: = s + 3; a:= Prog[a]; b:= Prog[b]; c:= Prog[c]; d:= Prog[d]; ha a = 0, akkor kezdődik a ProgResult:= "Input"; kijárat; vége; ha a = 1, akkor kezdődik a ProgResult:= "Kimenet"; kijárat; vége; Prog[b] := Prog[b] + Prog[a]; ha prog[b]< ProgLength div 2 then
RunProg(c)
else
RunProg(d);
end;
A SumIfJump önmódosító kódot valósít meg. Bármilyen általános programozási nyelven elérhető algoritmust képes végrehajtani. A kód könnyen megváltoztatható, és minden manipulációnak ellenáll.
A bot véletlen számot ad, az AI-nak pedig el kell olvasnia az adatokat, és választ kell adnia. Ha a szám meghaladja az átlagot (véletlen számok tartományából), az AI-nak az átlag alatti számot kell visszaadnia, és fordítva.
MI-nk genomja 256 sejtből áll, 0 és 255 közötti értékkel. Mindegyik érték egy memória, egy kód és egy cím. A kódvégrehajtási lépések száma 256-ra korlátozódik. Az operandusok egymás után kerülnek beolvasásra.
Kezdetben a genomot véletlenszerű számok alkotják, így az AI nem tudja, mit kell játszania. Ráadásul nem tudja, hogy a bot megválaszolásakor következetesen adatokat kell bevinnie és kiadnia.
A legtöbb pontot elért 16 mesterséges intelligencia 15 utódot ad, és továbbra is részt vesz a játékban. Az utód mutáns. A mutáció úgy történik, hogy egy véletlen cella szülőjének másolatát véletlenszerű értékre cserélik.
Ha az első populációban nem kapott MI pontot, akkor a következő populáció jön létre. És így tovább, amíg az egyik mesterséges intelligencia el nem kezdi a megfelelő műveleteket végrehajtani, és a „megfelelő” utódokat nem adja.
Eleinte az AI egy "randomizer" ellen játszott. Így hívtam egy véletlenszerűen sétáló botot. Az MI elég gyorsan verni kezdte őt, bármilyen sort kitöltve. Ezután megnehezítettem a feladatot azzal, hogy egy kis intelligenciát adtam a randomizerhez: ha lehet, foglald el a sávot, vagy védekezz. Ebben az esetben azonban az AI megtalálta a bot gyengeségeit, és verni kezdte. Talán ez a történet egy külön cikk témája.
A fiam megkért, írjak egy programot, hogy a mesterséges intelligencia egymás között játsszon, ne a bottal. Voltak ötletek, hogy csináljam ugyanezt a dáma játéknál, vagy menjek, de erre már nem volt elég időm.
Az egyetlen módszer, amellyel új egyedeket szereztem, a mutáció. Használhat keresztezést és invertálást is. Talán ezek a módszerek felgyorsítják a kívánt eredmény elérését.
Végül megszületett egy ötlet: a mesterséges intelligencia lehetővé teszi az összes folyamat kezelését a számítógépen, és harcot a számítógépes erőforrásokért. Csatlakoztasson számítógépet az internethez, és használja számítási teljesítményként a régi bitcoinfarmok készletét...
Mint mondta, hasonló kísérletet folytatva a blogger
Hogy a munkaautomatizálás miatt elveszíthetik állásukat. De kevesen gondolnak arra, hogy ezek a technológiák hogyan javíthatják és könnyíthetik meg az emberi munkát. Íme néhány példa.
Az AI jelentősen megváltoztathatja a jelöltek keresésének folyamatát – mondja Alexander Rinke, a Celonis társalapítója és vezérigazgatója. A Celonis mesterséges intelligencia lehetővé teszi az alkalmazottak fluktuációjának és az alkalmazottak felvételének költségeinek meghatározását, valamint kiszámítja, hogy mely pozíciókba tart a legtovább az alkalmazottak keresése. Például az egyik Celonis-ügyfél képes volt észlelni a munkaerő-felvételi problémákat, 30%-kal csökkenteni a toborzási költségeket, és felgyorsítani az új alkalmazottak felvételi folyamatát.
A mesterséges intelligencia megkönnyíti az önéletrajzok megírását és az interjúkra szóló meghívók megszerzését. Például az iCIMS a Google-lel közösen kifejlesztett egy technológiát, amely lehetővé teszi, hogy közvetlenül a keresőben keressen állást – és mindezt a gépi tanulásnak és a Google mesterséges intelligenciájának köszönhetően.
Az iCIMS marketingigazgatója, Susan Whiteil szerint a technológia képes volt csökkenteni az elavult álláshirdetések számát. Ez a Cloud Jobs Discovery zárt bétaprogramjának is a középpontjában áll. Ez a program nem csak a szerint keresi az üresedéseket kulcsszavakat- Például, ha valaki CTO pozíciót keres, akkor nemcsak a „műszaki igazgató”, hanem a „technológiai igazgató” állásait is megmutatja neki. Modellje fogalmi keresést használ, és az összes kapcsolódó szakmát megmutatja (például nemcsak pénztáros, hanem eladói asszisztens és üzletvezető is).
John Farno, a Hive vezérigazgatója és társalapítója úgy véli, hogy a prediktív analitika segít jobban megérteni, hogyan dolgozunk. „Meg tudja mondani például, hogy ki dolgozik aktívabban esténként – férfiak vagy nők, vagy igaz, hogy nyáron az emberek rosszabbul dolgoznak pénteken.” Ez utóbbi egyébként mítosz. Pénteken mindig alacsonyabb a termelékenység, az évszaktól függetlenül.
A Hive coworking terekben végzett több mint 30 000 tevékenység adatait felhasználva a vállalat képes volt azonosítani a termelékenység változásainak néhány mintáját. Például a férfiak reggel sokkal produktívabbak, ebéd után pedig meredeken csökken a termelékenységük. A nők esetében ennek az ellenkezője igaz – lassan indul a munkanapjuk, de a vége felé produktívabban dolgoznak. Ráadásul a chatek elemzése azt mutatta, hogy a nők több feladatot is képesek ellátni levelezés közben.
„A mesterséges intelligencia különösen a férfiak és nők, valamint a menedzsment és a hétköznapi alkalmazottak közötti bérkülönbségek problémájának megoldásában segít majd” – mondta Jensen. „A statisztikák szerint a Fortune 500-as lista élén szereplő cégeknél ez a különbség közel 5000-1-et is elérhet.” Emellett a méltányos fizetést meghatározó technológia alkalmazása csökkenti az alkalmazottak fluktuációjának kockázatát, és segít csökkenteni a helyettesítő alkalmazott keresésének költségeit.
A kiterjesztett valóság (AR) még fejlesztés alatt áll, de az AI-nak és a gépi tanulásnak köszönhetően működik. Christa Manning, a Deloitte Consulting Bersin alelnöke úgy véli, hogy az AR segíthet megtalálni a megfelelő információt, helyet és időt a fontos üzleti döntések meghozatalához.
Ez a technológia például használható videomegbeszéléseken. „Képzelje el, hogy egy videokonferencián vesz részt, és kibővített valóságban lát információkat egy kollégája kommunikációs stílusáról, hasznos tanácsokés emlékeztet arra, hogy mit kell megbeszélni vele” – mondta Manning.
Az Indiggo platform saját, indi nevű mesterséges intelligenciáját használja, amely egyfajta agyként működik, amely 15 évnyi munkája során rendelkezik a cég minden tudásával. Algoritmusa megvizsgálja a cég vezetői csapatának méretét, és megbecsüli, hogy mennyi időt veszített el. A program megvizsgálja az egyes főnökök naptárát, hogy megértse, mivel tölti az idejét. Az AI ezután egy speciális felmérést végez néhány vezető között, hogy megtudja, mik a prioritásaik, és hogyan illeszkednek a vállalathoz.
„Paradox módon mindezek a technológiai újítások csak az emberi munka nélkülözhetetlenségét hangsúlyozzák” – mondta Alexander Rinke, a Celonis vezérigazgatója. "Végül is az emberek sokkal jobban teljesítenek olyan feladatokban, amelyek ok-okozati összefüggést, értékelést és más emberekkel való interakciót foglalnak magukban."
Előadás1 5 . Mesterséges intelligencia technológiák
Terv
A mesterséges intelligencia fogalma.
Az AI alkalmazásai.
A szakértő fogalmarendszerek.
A mesterséges intelligencia fogalma
« Intelligencia- az egyén összes kognitív funkciójának összessége: az érzésektől és az észleléstől a gondolkodásig és a képzeletig; szűkebb értelemben – gondolkodás. I. - az emberi valóságismeret fő formája. Az I. funkciójának megértésének három változata van: 1) a tanulási képesség; 2) szimbólumokkal való működés; 3) a minket körülvevő valóság mintáinak aktív elsajátításának képessége ”(Rapatsevich E.S. Szótár-referenciakönyv a tudományos és műszaki kreativitásról. - Mn .: Etonim LLC, 1995. - 384 p. - P. 51-52.). ( DC 2)
Minden intellektuális tevékenység tudáson alapul. Ezek az ismeretek magukban foglalják az aktuális helyzet jellemzőit, bizonyos cselekvések végrehajtási lehetőségeinek értékelését, a tevékenység végzésének világának törvényeit és mintáit és még sok mást. Azokban a programokban, amelyeket a számítógépek megjelenésekor kezdtek létrehozni, a szükséges ismereteket a programokat író programozók memóriájában tárolták. Számítógépe mechanikusan hajtotta végre a memóriájában tárolt programparancsok sorozatát. Ehhez a számítógéphez nem volt szükség tudásra.
« mesterséges intelligencia – 1) szimbólum kibernetikai rendszerek és logikai és matematikai támogatásaik, amelyek néhány olyan probléma megoldására szolgálnak, amelyek általában az emberi intellektuális képességek felhasználását igénylik; 2) egy elektronikus számítógép (számítógép) funkcionális képességeinek összessége olyan problémák megoldására, amelyek korábban egy személy kötelező részvételét igényelték” (Uo., 54. o.).
A mesterséges intelligencia rendszerek közötti alapvető különbség az ilyen rendszereké a programozó nem készít elő konkrét programokat a végrehajtásra. Az ember csak a szükséges feladatot adja a gépnek, és azt a programot, amely ezt a feladatot elvégzi, magának a rendszernek kell felépítenie. Ehhez ismeretek szükségesek mind a témakörről, amelyhez a feladat tartozik, mind a programok felépítéséről. Mindezt a tudást az intelligens rendszerek egy speciális blokkban, úgynevezett tudásbázisban tárolják.
A tudásbázisban tárolt ismereteket speciális formalizált formában rögzítjük. A tudásbázis megvalósíthatja a tárolt tudás korrekcióját általánosító eljárásokat, valamint olyan eljárásokat, amelyek új ismereteket hoznak létre a már meglévők alapján.
A mesterséges intelligencia a tudomány egyik legújabb területe, amely a 60-as évek közepén jelent meg. 20. század számítástechnikán, matematikai logikán, programozáson, pszichológián, nyelvészeten, neurofiziológián és más tudományágakon alapul. A mesterséges intelligencia az interdiszciplináris kutatás egyik példája, ahol a különböző profilú szakemberek szakmai érdeklődése ötvöződik. Az új tudomány neve a 60-as évek végén keletkezett. 1969-ben pedig Washingtonban (USA) rendezték meg az első Mesterséges Intelligencia Világkonferenciát.
Amikor a 40-es évek végén - az 50-es évek elején. A számítógépek megjelentek, világossá vált, hogy a mérnökök és matematikusok nemcsak egy gyorsan működő számítástechnikai eszközt hoztak létre, hanem valami jelentősebbet is. Kiderült, hogy az EIM segítségével lehet különféle rejtvényeket, logikai feladatokat megoldani, sakkozni, játékprogramokat készíteni. A számítógépek elkezdtek részt venni az alkotói folyamatokban: zenei dallamokat, verseket, sőt meséket komponáltak. Programok jelentek meg egyik nyelvről a másikra fordításra, mintafelismerésre és tételbizonyításra. Ez arról tanúskodott, hogy a számítógép és a megfelelő programok segítségével automatizálható az olyan típusú emberi tevékenység, amelyet intellektuálisnak neveznek, és csak egy személy számára hozzáférhetőnek tekinthetők. Az 1960-as évek elejére megalkotott nem számítógépes programok sokfélesége ellenére a programozás a szellemi tevékenység területén sokkal rosszabb helyzetben volt, mint a számítási feladatok megoldása. Az ok nyilvánvaló. A számítási jellegű feladatok programozása a megfelelő elméleten – a számítási matematikán – alapult. Ezen elmélet alapján számos problémamegoldási módszert dolgoztak ki. Ezek a módszerek váltak a megfelelő programok alapjául. A nem számítási feladatoknál semmi hasonló nem volt. Itt minden program egyedi volt, akár egy műalkotás. Az ilyen programok készítésének tapasztalatai semmilyen módon nem voltak általánosítva, az elkészítési képesség nem volt formalizálva.
Amikor egy programozó programot készített a sakkozáshoz, felhasználta saját tudását a játék folyamatáról. Ő tette be őket a programba, és a számítógép csak technikailag hajtotta végre ezt a programot. Elmondható, hogy a számítógép "nem különböztette meg" a számítási programokat a nem számítástechnikaitól. Ugyanígy megtalálta a másodfokú egyenlet gyökereit, vagy verset írt. A számítógép memóriájában nem volt tudomás arról, hogy mit csinál valójában.
Beszélhetnénk a számítógép intelligenciájáról, ha az lenne magamat, a sakkjátszma menetének és az emberek játékának ismerete alapján sakkprogramot állított össze, vagy szintetizált egy programot egyszerű keringők és menetek írásához.
Nem maguk az eljárások, amelyek segítségével ezt vagy azt a szellemi tevékenységet végezzük, hanem megérteni, hogyan kell létrehozni őket, hogyan lehet megtanulni egy új típusú szellemi tevékenységet, - itt bújik meg az, amit értelemnek nevezhetünk. Az új típusú szellemi tevékenység tanítására szolgáló speciális eljárások megkülönböztetik az embert a számítógéptől. Ebből következően a mesterséges intelligencia létrehozásában a fő feladat azoknak az eljárásoknak a szerszámgépekkel történő megvalósítása, amelyeket az emberi szellemi tevékenységben alkalmaznak. Mik ezek az eljárások?
Meg lehet fogalmazni a mesterséges intelligencia fő céljait és célkitűzéseit. A vizsgálat tárgya A mesterséges intelligencia az emberi problémák megoldásában használt eljárások, amelyeket hagyományosan intellektuálisnak vagy kreatívnak neveznek. De ha a gondolkodás pszichológiája ezeket az eljárásokat egy személyre vonatkoztatva vizsgálja, akkor a mesterséges intelligencia szoftveres (és most már szoftveres és hardveres) modelleket is készít ezekről az eljárásokról.
Cél kutatás a mesterséges intelligencia területén - olyan eljárások arzenáljának létrehozása, amelyek elegendőek a számítógépekhez (vagy másokhoz műszaki rendszerek például a robotok) problémák beállításával találhatták meg a megoldásaikat. Más szóval autonóm programozókká váltak, akik képesek a professzionális programozók – alkalmazott mérnökök – munkáját elvégezni (programokat készíteni egy adott témakörben felmerülő problémák megoldására). A megfogalmazott cél természetesen nem meríti ki mindazokat a feladatokat, amelyeket a mesterséges intelligencia maga elé állít. Ez a következő cél. Az ezt követő célok az emberi gondolkodás azon területeire való behatolási kísérlethez kapcsolódnak, amelyek kívül esnek a racionális és verbális (verbális) gondolkodáson. Ugyanis számos probléma megoldásának keresésében, különösen azoknál, amelyek nagyon különböznek a korábban megoldottaktól, fontos szerepet játszik az a gondolkodási szféra, amelyet tudatalattinak, tudattalannak vagy intuitívnak neveznek.
A mesterséges intelligencia területén alkalmazott fő módszerek a különböző szoftvermodellek és eszközök, számítógépes kísérletek és elméleti modellek. A modern számítógépek azonban már nem elégítik ki a mesterséges intelligencia szakembereit. Semmi közük az emberi agy működéséhez, ezért intenzív kutatás folyik új technikai struktúrák után, amelyek jobban meg tudják oldani az intellektuális folyamatokkal kapcsolatos problémákat. Ez magában foglalja a neurális jellegű mesterséges hálózatok kutatását, a molekuláris gépek építésére irányuló kísérleteket, a holografikus rendszerek területén végzett munkát és még sok mást.
A mesterséges intelligencia területén számos fő problémát tanulmányoznak.
A tudásreprezentáció olyan módszerek és technikák kidolgozása, amelyek lehetővé teszik egy intelligens tudásrendszer formalizálását és utólagos bevitelét a különböző problématerületekről, a felhalmozott tudás általánosítását és osztályozását a problémák megoldása során.
Érvelés modellezése - tanulmányozás és formalizálás különféle sémák a különböző problémák megoldásának folyamatában használt emberi következtetések, hatékony programok létrehozása ezen sémák számítógépeken történő megvalósításához.
Párbeszéd eljárások a természetes nyelvű kommunikációhoz, kapcsolatteremtést biztosítva egy intelligens rendszer és a humán szakember között a problémamegoldás folyamatában.
A célszerű tevékenység tervezése az értelmi rendszerben elraktározott problématerületi ismeretek alapján komplex tevékenységi programok felépítésének módszereinek kidolgozása.
Intelligens rendszerek képzése tevékenységük folyamatában, eszközkészlet létrehozása az ilyen rendszerekben felhalmozott készségek és képességek felhalmozására és általánosítására.
Ezeken a problémákon kívül sok mást is vizsgálnak, amelyek azt az alapot adják, amelyre a szakemberek a mesterséges intelligencia elméletének következő fejlesztési körében támaszkodnak.
Az intelligens rendszereket már bevezetik az emberi tevékenység gyakorlatába. Ezek a szakértők széles köre számára a legismertebbek a képzettebb szakemberek tapasztalatát kevésbé képzetteknek átadó szakértői rendszerek, valamint az intelligens információs rendszerek (például gépi fordítórendszerek), valamint az intelligens robotok, egyéb rendszerek, amelyek minden joga van intelligensnek nevezni. Ilyen rendszerek nélkül a modern tudományos és technológiai haladás többé nem lehetséges.
A mesterséges intelligencia jelenleg az informatika egy erőteljes ága, amelynek alapvető, tisztán tudományos alapjai és fejlett technikai, alkalmazott szempontjai is vannak az intelligens rendszerek hatékony mintáinak létrehozásához és működtetéséhez. Ezen munkák eredményeitől függ az 5. generációs számítógépek megjelenése.
Minden olyan feladat, amelynek megoldási algoritmusa nem ismert, az AI területéhez köthető (sakkjátszma, orvosi diagnosztika, szöveges összefoglaló, idegen nyelvre fordítás). A mesterséges intelligencia feladatok jellemző vonása az információ szimbolikus formában történő felhasználása, valamint az, hogy a bizonytalanság körülményei között többféle lehetőség közül lehet választani.
A számítógépes tanulási rendszerek fejlesztésének legígéretesebb iránya a mesterséges intelligencia technológia. Az AI-módszert használó rendszereket intelligens tanulási rendszereknek (ITS) nevezik. Az ITS adaptív és kétirányú interakciót valósít meg, melynek célja a tudás hatékony átadása.Az ITS fejlesztésének legígéretesebb útja láthatóan az öntanuló rendszerek létrehozása, amelyek az emberrel párbeszédben szerzik meg a tudást.
Az AI-rendszerek olyan eszközök vagy programok, amelyek az emberi intellektuális viselkedésben rejlő jellemzőkkel rendelkeznek, mint például a nyelv megértése és használata, a viselkedés ok-okozati összefüggése, a problémamegoldó képesség, a helyzetre való rugalmas reagálás, a kedvező helyzetek kihasználása, a kétértelmű megoldások keresése. vagy konfliktusos helyzeteket, felismerni a helyzet különböző elemeinek egymáshoz viszonyított fontosságát, különbségük ellenére hasonlóságokat találni közöttük.
Az olyan szoftverrendszereket, amelyek olyan algoritmusokat valósítanak meg, amelyekhez nincs formális megoldási modell, heurisztikusnak nevezzük, és az AI-hoz tartoznak. Az AI feladatok olyan feladatok, amelyekben nem a megoldás folyamata van formalizálva, hanem a megoldás megtalálásának folyamata.
A mesterséges intelligencia rendszereket leggyakrabban a következő problémák megoldására használják:
A mintafelismerés olyan technikai rendszer, amely érzékeli a vizuális és hanginformációkat (kódolja és elhelyezi a memóriában), a megértés és a logikus érvelés problémáit a vizuális és beszédinformációk feldolgozása során.
Az érvelés modellezése - az emberi gondolkodás mesterséges intelligenciában történő tanulmányozása még csak most kezdődik, de az ilyen gondolkodás formális modelljei nélkül nagyon nehéz intelligens rendszerekben előállítani azon szakemberek érvelésének minden jellemzőjét, akik megoldják azokat a problémákat, amelyeket szeretnénk. mesterséges rendszerek számára elérhetővé tenni. A ma már megalkotott szakértői rendszerekben nemcsak megbízható logikai következtetések valósulnak meg, hanem elfogadható érvelés és számos egyéb nem monoton érvelés is. Megjelentek az analógiával és asszociációval való érvelés első programjai.
Szimbolikus számítástechnikai rendszerek
A fuzzy logikával rendelkező rendszerek – a fuzzy következtetést nagyon széles körben használják, mivel az emberi tudás összegét tükrözi a való világ számos jelenségéről. A nem teljesen leírt környezetben működő robotok és más mesterséges intelligencia rendszerek viselkedésének megtervezésekor, átfogó információ hiányában történő döntések meghozatalakor, a szakterületet részlegesen ismerő szakértői rendszerekben és sok más helyzetben nélkülözhetetlen a fuzzy következtetés.
A kognitív pszichológia a modern pszichológiai tudomány egyik területe, amely egy élő rendszer adott viselkedésének belső okainak keresésével kapcsolatos. Általában a vizsgálat tárgya az ember saját magáról és az őt körülvevő világról szerzett ismerete, valamint olyan kognitív folyamatok, amelyek biztosítják ezen ismeretek megszerzését, megőrzését és átalakítását.
A természetes nyelv megértése - szövegek elemzése és generálása, belső megjelenítésük.
A szakértői rendszerek olyan rendszerek, amelyek speciális tevékenységekben használják fel a szakemberek tudását.
A számítógépes nyelvészet a számítástechnika és a nyelvészet metszéspontjában született. Az új tudomány többször megváltoztatta a nevét; eleinte matematikai nyelvészetnek, majd szerkezeti nyelvészetnek és számítógépes nyelvészetnek hívták, aztán már - számítógépes nyelvészetnek.
Lehetővé vált számos munkaigényes folyamat automatizálása, sokféle szókincs és lexikális kártya karbantartásával. A gépi fordítás mára valósággá vált.
Gépi intelligencia- a számítógép hardver- és szoftverkészlete, amelynek segítségével olyan kommunikációt biztosítanak az ember és a gép között (interfész), amely szintjén megközelíti a közös problémát megoldó szakemberek közötti kommunikációt.
Viselkedéstervezés a mesterséges intelligencia kutatásának egyik területe. Ennek az iránynak a fő feladata olyan eljárások felkutatása, amelyek az adott helyzet alapján automatikusan a legrövidebb utat kínálhatják a cél eléréséhez. Az ilyen típusú feladatok az autonóm módon működő robotok számára bizonyultak a legrelevánsabbnak. A robotnak a rábízott feladat megoldása során tervet kell készítenie a megoldására, és meg kell próbálnia teljesíteni. Ha ennek a tervnek a végrehajtása során a robot meg van győződve arról, hogy leküzdhetetlen akadályok vannak, akkor egy másik tervet kell készítenie, amelyben ezek az akadályok nem léteznek.
Intelligens robotok.
Játékok - véges számú helyzettel és jól meghatározott szabályokkal jellemezhető játékok, amelyek felülmúlják az átlagos képességű ember szintjét; de a legjobb szakemberek szintjét nem érték el.
A problémamegoldás konkrét élethelyzetek megfogalmazása, elemzése, bemutatása, melyek megoldása találékonyságot, általánosító képességet igényel. Számítógépes technológiával próbálják megvalósítani a megoldás keresésének intellektuális folyamatait, amikor a végeredmény megjósolhatatlan, logikus következtetések és következtetések gyümölcse, amelyekre önmagában jut.
Mesterséges intelligencia rendszerekkel szerelték fel a legújabb orosz vadászgépet Sokkal radikálisabb változtatások történtek a repülőgép fedélzeti elektronikai rendszerein. A többcsatornás digitális fly-by-wire repülőgép-irányító rendszer, beleértve a mesterséges intelligencia rendszereket, bevezetésének eredményeként a Szu-37 a Szu-35-höz képest további, soha nem látott képességeket kap: Megelőző képességet nyújt csapások bármely légi ellenség ellen (beleértve a lopakodó repülőgépeket is); Minden információs és célzási rendszer többcsatornás és algoritmikus biztonsága; Földi célok támadása az ellenséges légvédelmi zónába való belépés nélkül; Repülés alacsony magasságban átrepüléssel és a földi akadályok elkerülésével, beleértve az automatikus üzemmódot is; Automatizált csoportos akciók légi és földi célpontok ellen; Ellenállás az ellenség rádióelektronikai és optoelektronikai eszközeivel szemben; A repülés és a harci használat minden szakaszának automatizálása
A Panasonic bejelentette, hogy elérhető az új PT AE500E AI projektor. Beépített mesterséges intelligencia, amely a bemeneti videojeltől függően automatikusan szabályozza a lámpa fényerejét, 1300:1 kontrasztarányt biztosítva.
Az információs technológia fejlődése bő fél évszázada izgatja az emberi elmét. A számítógépek szilárdan beépültek mindennapi életünkbe. A munka egy modern irodában elképzelhetetlen internet, e-mail nélkül, és a jól megérdemelt pihenés sokak számára csak a játékkonzol bekapcsolásával kezdődik. A harmadik generációs mobiltelefonok ma már nemcsak hangot továbbítanak, hanem szinte minden irodai berendezést is könnyedén helyettesítenek. Vannak még olyan fedélzeti számítógépes autók is, amelyek meg tudják készíteni az utazási útvonalat és eljuttatják az utast a célállomásra.
Az Intel által 1971. november 11-én kiadott első processzor 2300 tranzisztort tartalmazott egy körömnyi áramkörben. A mikrochip másodpercenként 60 ezer műveletet hajtott végre – mai mércével mérve semmi, de akkor ez komoly áttörést jelentett. Azóta a számítástechnika nagy utat tett meg. Becslések szerint például a mikroprocesszorok fennállásának 30 éve alatt a processzorelemek minimális mérete 17-szeresére csökkent, míg a tranzisztorok száma 18 ezerszeresére nőtt, az órajel pedig 14 ezerrel nőtt. alkalommal. Az Intel jelenlegi processzortechnológiája lehetővé teszi, hogy a tranzisztorok molekula méretűek legyenek, a jövőben pedig akár néhány atomréteget is.
Az informatikai ipar az élet egyik legdinamikusabban fejlődő területe. Vminek megfelelően Moore törvénye, 2020-ban a számítógépek elérik az emberi agy erejét, mert. másodpercenként 20 kvadrillió (azaz 20 000 000 milliárd) művelet elvégzésére lesz képes, és 2060-ra egyes futuristák szerint a számítógép az egész emberiséggel egyenlő lesz az elme erejével. Azonban még 1994-ben egy PC-n alapuló Intel processzor A Pentium a mai idők szerint nevetséges, 90 MHz-es frekvenciájával sakkversenysorozatban verte a világ legerősebb nagymestereit, köztük a bolygó uralkodó bajnokát, Garri Kaszparovot.
Már ma is reális lehetőségek kínálkoznak az intelligens technológiák alkalmazására szinte minden autóban. Például a Johnson Controls BlueConnect kézibeszélője, az Intel PXA250 és Intel PXA210 processzorokon alapuló integrált kihangosító autós modul, amely lehetővé teszi a sofőr számára, hogy különféle hangvezérelt műveleteket hajtson végre mobiltelefon és Bluetooth technológia segítségével.
Nyilvánvaló, hogy évről évre egyre nagyobb teljesítményű mikroprocesszorokat használnak majd egyre több különböző háztartási eszközben. A közelmúltban az Intel szakemberei olyan tranzisztorokat fejlesztettek ki, amelyek sebessége közel 1000%-kal meghaladja a Pentium 4 sebességét. A vállalat tudósai szerint tehát bebizonyosodott, hogy a mikroprocesszorok Moore-törvényének megfelelő továbbfejlesztésének az évtized végéig nincs alapvető akadálya.
Ezek a mindössze 20 nanométeres tranzisztorok lehetővé teszik az Intel számára, hogy 2007-re egymilliárd tranzisztoros processzort hozzon létre, amelyek akár 20 GHz-es frekvencián működnek, körülbelül 1 voltos tápfeszültség mellett. A cég vezetése pedig már a közelgő processzorokról beszél, amelyek órajele akár 30 GHz-es is lehet. A cég képviselői szerint az ilyen mikroprocesszorok gyártásának előfeltételei az Intelnél már megvannak.
A mesterséges intelligencia támogatói őszintén meg vannak győződve arról, hogy az emberiség létezésének célja egy számítógépes szuperintelligencia létrehozása.
A mesterséges intelligencia a szó valódi értelmében egy helyettesítő, de az emberi elme tekintetében versenyképes, például „élő” elmét jelent. számítógép alapú. Eddig csak néhány hasonlóságot sikerült létrehozni, az emberi intelligens tevékenység „majom utánzóit”. Igen, a roverek, függetlenül elkerülve a triviális akadályokat, önállóan felszántják a Vörös Bolygó sivatagainak élettelenségét, de a kutatás irányának meghatározásához még mindig szükség van egy Földről érkező embercsoportra. Igen, a több százmillió tranzisztorral tömött félvezető egységek megtanulták diktálásból szöveget írni, de a legelemibb, élő hallgató számára érthető záradék azonnal összezavarja őket. Igen, a számítógépet megtanították arra, hogy automatikusan lefordítsa a szavakat egyik nyelvről a másikra, de az ilyen „mesterséges fordítótól” kapott szövegek a nyelv élő szakértője általi szerkesztés nélkül még mindig nem túl jó minőségűek.
