Discovery system (AI-forskning)
Ett upptäcktssystem är ett artificiellt intelligenssystem som försöker upptäcka nya vetenskapliga begrepp eller lagar. Syftet med upptäcktssystem är att automatisera vetenskaplig dataanalys och den vetenskapliga upptäcktsprocessen. Helst borde ett artificiellt intelligenssystem kunna söka systematiskt genom utrymmet för alla möjliga hypoteser och ge den hypotes – eller uppsättningen av lika sannolika hypoteser – som bäst beskriver de komplexa mönstren i data.
) utvecklades olika system som liknar tidens dominerande expertsystem för att ta itu med problemet med att extrahera vetenskapliga hypoteser från data, med eller utan interaktion med en mänsklig vetenskapsman. Dessa system inkluderade Autoclass, Automated Mathematician , Eurisko , som syftade till att upptäcka generella hypoteser, och mer specifika system som Dalton , som avslöjar molekylära egenskaper från data.
Drömmen om att bygga system som upptäcker vetenskapliga hypoteser sköts i bakgrunden med den andra AI-vintern och den efterföljande återuppkomsten av subsymboliska metoder som neurala nätverk . Subsymboliska metoder betonar förutsägelse framför förklaring och ger modeller som fungerar bra men som är svåra eller omöjliga att förklara vilket har gett dem namnet black box AI. En black-box-modell kan inte betraktas som en vetenskaplig hypotes, och denna utveckling har till och med fått vissa forskare att mena att vetenskapens traditionella syfte – att avslöja hypoteser och teorier om verklighetens struktur – är förlegat. Andra forskare håller inte med och menar att subsymboliska metoder är användbara i många fall, bara inte för att generera vetenskapliga teorier.
Discovery-system från 1970- och 1980-talen
- Autoclass var ett Bayesianskt klassificeringssystem skrivet 1986
- Automated Mathematician var ett av de tidigaste framgångsrika upptäcktssystemen. Den skrevs 1977 och fungerade genom att generera en modifiering av små Lisp -program
- Eurisko var en uppföljare till Automated Mathematician skriven 1984
- Dalton är ett fortfarande underhållet program som kan beräkna olika molekylära egenskaper som ursprungligen lanserades 1983 och tillgängligt i öppen källkod sedan 2017
- Glauber är en vetenskaplig upptäcktsmetod skriven inom ramen för beräkningsvetenskapsfilosofi som lanserades 1983
Moderna upptäcktssystem (2009–nutid)
Efter ett par decennier med lite intresse för upptäcktssystem, förnyades intresset för att använda AI för att avslöja naturlagar och vetenskapliga förklaringar av Michael Schmidts arbete, då doktorand i beräkningsbiologi vid Cornell University . Schmidt och hans rådgivare, Hod Lipson , uppfann Eureqa , som de beskrev som en symbolisk regressionsmetod för att "destillera friformiga naturlagar från experimentella data". Detta arbete visade effektivt att symbolisk regression var en lovande väg framåt för AI-driven vetenskaplig upptäckt.
Sedan 2009 har symbolisk regression mognat ytterligare och idag används olika kommersiella och öppen källkodssystem aktivt i vetenskaplig forskning. Anmärkningsvärda exempel inkluderar Eureqa, nu en del av DataRobot AI Cloud Platform, AI Feynman och QLattice .
externa länkar