The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence

要約

生成 AI や LLM を含む機械学習と AI の最近の進歩は、技術革新、製品開発、そして社会全体に破壊的な影響を与えています。
AI のテクノロジーへの貢献は、パターン認識や分類から生成モデルに至るまで、大規模なトレーニング データ セットへのアクセスと明確なパフォーマンス評価基準を必要とする複数のアプローチによってもたらされます。
しかし、AI が基礎科学にあまり貢献していない理由の 1 つは、科学的実践やモデル発見のための高品質のデータからなる大規模なデータセットへのアクセスがより困難であるためです。
一般に生成 AI、特に大規模言語モデルは、定量的モデルを使用した基礎的な深層科学の科学的発見を強化および加速する機会となる可能性があります。
ここでは、自己駆動型の仮説生成や仮説空間のオープンエンド型自律探索など、科学的発見に対する AI 駆動型の自動化された閉ループ アプローチの側面を探索および調査します。
AI による自動化を科学の実践に統合すれば、発見の再現、データの体系的な生成、そして最終的には科学プロセスの民主化など、現在の問題が軽減されるでしょう。
これらの可能性を実現するには、推定上の説明の空間全体にわたる公平な検索を可能にしながら、因果関係分析とモデル発見の基本的な側面に対処できる多様な AI アプローチと組み合わせた拡張 AI のビジョンが必要です。
これらの進歩は、人間の科学者が達成できたものを超えて、私たちの世界の基本的な構造を探索し発見するAIの可能性を解き放つ可能性を秘めています。
このようなビジョンは、現在のワークフローを自動化するのではなく、新しい基礎科学の限界を押し広げ、今日人類が直面している最大の課題のいくつかに取り組むための技術革新への扉を開くでしょう。

要約(オリジナル)

Recent advances in machine learning and AI, including Generative AI and LLMs, are disrupting technological innovation, product development, and society as a whole. AI’s contribution to technology can come from multiple approaches that require access to large training data sets and clear performance evaluation criteria, ranging from pattern recognition and classification to generative models. Yet, AI has contributed less to fundamental science in part because large data sets of high-quality data for scientific practice and model discovery are more difficult to access. Generative AI, in general, and Large Language Models in particular, may represent an opportunity to augment and accelerate the scientific discovery of fundamental deep science with quantitative models. Here we explore and investigate aspects of an AI-driven, automated, closed-loop approach to scientific discovery, including self-driven hypothesis generation and open-ended autonomous exploration of the hypothesis space. Integrating AI-driven automation into the practice of science would mitigate current problems, including the replication of findings, systematic production of data, and ultimately democratisation of the scientific process. Realising these possibilities requires a vision for augmented AI coupled with a diversity of AI approaches able to deal with fundamental aspects of causality analysis and model discovery while enabling unbiased search across the space of putative explanations. These advances hold the promise to unleash AI’s potential for searching and discovering the fundamental structure of our world beyond what human scientists have been able to achieve. Such a vision would push the boundaries of new fundamental science rather than automatize current workflows and instead open doors for technological innovation to tackle some of the greatest challenges facing humanity today.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google