Algoritmen voor machinaal leren kunnen mensen naar nieuwe experimenten en theorieën leiden. Elektrische voertuigen hebben het potentieel om de CO2-uitstoot aanzienlijk te verminderen, maar autobedrijven hebben bijna geen materialen meer om batterijen te maken. Een cruciaal onderdeel, nikkel, zal naar verwachting al aan het einde van dit jaar voor tekorten in het aanbod zorgen. Wetenschappers hebben onlangs vier nieuwe materialen ontdekt die mogelijk kunnen helpen – en wat misschien nog intrigerender is, is hoe ze deze materialen hebben gevonden: de onderzoekers vertrouwden op kunstmatige intelligentie om nuttige chemicaliën te kiezen uit een lijst van meer dan 300 opties. En zij zijn niet de enige mensen die zich tot A.I. voor wetenschappelijke inspiratie.
Het maken van hypothesen is lange tijd een puur menselijk domein geweest. Nu beginnen wetenschappers echter machine learning te vragen om originele inzichten te produceren. Herexamen CBR tips vind je online. Ze ontwerpen neurale netwerken (een soort machine learning-opstelling met een structuur die is geïnspireerd op het menselijk brein) die nieuwe hypothesen suggereren op basis van patronen die de netwerken in gegevens vinden in plaats van te vertrouwen op menselijke aannames. Veel vakgebieden zullen zich binnenkort misschien tot de muze van machine learning wenden in een poging het wetenschappelijke proces te versnellen en menselijke vooroordelen te verminderen.
Zoekhulpmiddelen
In het geval van nieuwe batterijmaterialen vertrouwden wetenschappers die dergelijke taken uitvoerden doorgaans op zoekhulpmiddelen voor databases, modellering en hun eigen intuïtie over chemicaliën om bruikbare verbindingen te selecteren. In plaats daarvan gebruikte een team van de Universiteit van Liverpool in Engeland machine learning om het creatieve proces te stroomlijnen. De onderzoekers ontwikkelden een neuraal netwerk dat chemische combinaties rangschikte op basis van hoe waarschijnlijk het was dat ze zouden resulteren in een bruikbaar nieuw materiaal. Vervolgens gebruikten de wetenschappers deze ranglijsten om hun experimenten in het laboratorium te begeleiden. Ze identificeerden vier veelbelovende kandidaten voor batterijmaterialen zonder alles op hun lijst te hoeven testen, wat hen maanden van vallen en opstaan bespaarde.
“Het is een geweldig hulpmiddel”, zegt Andrij Vasylenko, een onderzoeksmedewerker aan de Universiteit van Liverpool en een co-auteur van de studie over het vinden van batterijmaterialen, die vorige maand in Nature Communications werd gepubliceerd. De A.I. proces helpt bij het identificeren van de chemische combinaties die het bekijken waard zijn, voegt hij eraan toe, zodat “we veel meer chemische ruimte sneller kunnen bestrijken.”
De ontdekking van nieuwe materialen is niet het enige gebied waar machine learning kan bijdragen aan de wetenschap. Onderzoekers passen neurale netwerken ook toe op grotere technische en theoretische vragen. Renato Renner, een natuurkundige aan het Instituut voor Theoretische Fysica van Zürich, hoopt op een dag machine learning te gebruiken om een uniforme theorie te ontwikkelen over hoe het universum werkt. Maar voordat A.I. de ware aard van de werkelijkheid kan blootleggen, moeten onderzoekers de notoir moeilijke vraag aanpakken hoe neurale netwerken hun beslissingen nemen.
IN DE MACHINE-LERENDE GEEST KRIJGEN
In de afgelopen 10 jaar is machine learning een enorm populaire tool geworden voor het classificeren van big data en het maken van voorspellingen. Het uitleggen van de logische basis voor zijn beslissingen kan echter erg moeilijk zijn. Neurale netwerken zijn opgebouwd uit onderling verbonden knooppunten, gemodelleerd naar de neuronen van de hersenen, met een structuur die verandert als informatie er doorheen stroomt. Hoewel dit adaptieve model in staat is om complexe problemen op te lossen, is het voor mensen vaak ook onmogelijk om de bijbehorende logica te ontcijferen.
Dit gebrek aan transparantie heeft de bijnaam “het black box-probleem” gekregen omdat niemand in het netwerk kan kijken om het “denkproces” uit te leggen. Deze ondoorzichtigheid ondermijnt niet alleen het vertrouwen in de resultaten, het beperkt ook hoeveel neurale netwerken kunnen bijdragen aan het wetenschappelijke begrip van de wereld door mensen.
Sommige wetenschappers proberen de zwarte doos transparant te maken door ‘interpreteerbaarheidstechnieken’ te ontwikkelen, die proberen een stapsgewijze verklaring te bieden voor hoe een netwerk tot zijn antwoorden komt. Het is misschien niet mogelijk om een hoog detailniveau te verkrijgen uit complexe machine learning-modellen. Maar onderzoekers kunnen vaak grotere trends identificeren in de manier waarop een netwerk gegevens verwerkt, wat soms tot verrassende ontdekkingen leidt, zoals wie de meeste kans heeft om kanker te krijgen.
Enkele jaren geleden gebruikte Anant Madabhushi, een professor in biomedische technologie aan de Case Western Reserve University, interpreteerbaarheidstechnieken om te begrijpen waarom sommige patiënten meer kans hebben dan andere om een herhaling van borst- of prostaatkanker te krijgen. Hij voerde patiëntscans naar een neuraal netwerk en het netwerk identificeerde degenen met een hoger risico op herhaling van kanker. Vervolgens analyseerde Madabhushi het netwerk om het belangrijkste kenmerk te vinden voor het bepalen van de kans van een patiënt om opnieuw kanker te krijgen. De resultaten suggereerden dat hoe strak de inwendige structuren van de klieren opeengepakt zijn, de factor is die het meest nauwkeurig voorspeltde kans dat een kanker terugkomt.
“Dat was geen hypothese. Dat wisten we niet”, zegt Madabhushi. “We gebruikten een methodologie om een kenmerk van de ziekte te ontdekken dat belangrijk bleek te zijn.” Het was pas nadat de A.I. had de conclusie getrokken dat zijn team vond dat het resultaat ook aansluit bij de huidige wetenschappelijke literatuur over pathologie. Snelweg borden zijn online te vinden. Het neurale netwerk kan nog niet verklaren waarom de dichtheid van de structuur van klieren bijdraagt aan kanker, maar het hielp Madabhushi en zijn collega’s toch om beter te begrijpen hoe tumorgroei vordert, wat leidt tot nieuwe richtingen voor toekomstig onderzoek.
WANNEER A.I. HEEFT EEN MUUR
Hoewel een kijkje in de zwarte doos mensen kan helpen nieuwe wetenschappelijke hypothesen te construeren, “hebben we nog een lange weg te gaan”, zegt Soumik Sarkar, universitair hoofddocent werktuigbouwkunde aan de Iowa State University. Interpretabiliteitstechnieken kunnen wijzen op correlaties die opduiken in het machine-leerproces, maar ze kunnen geen oorzakelijk verband bewijzen of verklaringen bieden. Ze vertrouwen nog steeds op materiedeskundigen om betekenis aan het netwerk te ontlenen.
Inschrijven
Machine learning maakt ook vaak gebruik van gegevens die zijn verzameld via menselijke processen, wat ertoe kan leiden dat menselijke vooroordelen worden gereproduceerd. Een neuraal netwerk, Correctional Offender Management Profiling for Alternative Sanctions (COMPAS) genaamd, werd zelfs beschuldigd van racisme. Het netwerk is gebruikt om de kans op recidive van gedetineerden te voorspellen. Uit een ProPublica-onderzoek bleek dat het systeem ten onrechte zwarte mensen markeerde als kans om de wet te overtreden nadat ze bijna twee keer zo vaak waren vrijgelaten als voor blanke mensen in een provincie in Florida. Equivant, voorheen Northpoint genaamd, het strafrechtsoftwarebedrijf dat COMPAS heeft opgericht, heeft de analyse van ProPublica betwist en beweerde dat het risicobeoordelingsprogramma verkeerd is gekarakteriseerd.
Ondanks dergelijke problemen blijft Renner, de in Zürich wonende natuurkundige, hoopvol dat machine learning mensen kan helpen kennis na te streven vanuit een minder bevooroordeeld perspectief. Neurale netwerken zouden mensen kunnen inspireren om op nieuwe manieren over oude vragen na te denken, zegt hij. Hoewel de netwerken nog niet helemaal zelf hypothesen kunnen maken, kunnen ze wel hints geven en wetenschappers naar een andere kijk op een probleem leiden.
Renner gaat zelfs zo ver dat hij probeert een neuraal netwerk te ontwerpen dat de ware aard van de kosmos kan onderzoeken. Natuurkundigen zijn al meer dan een eeuw niet in staat om twee theorieën over het universum met elkaar te verzoenen – de kwantumtheorie en de algemene relativiteitstheorie van Einstein. Maar Renner hoopt dat machine learning hem het frisse perspectief zal geven dat hij nodig heeft om een brug te slaan tussen het wetenschappelijke begrip van hoe materie werkt op de schaal van het zeer kleine en het zeer grote.
“We kunnen alleen grote stappen maken in de natuurkunde als we op een onconventionele manier naar dingen kijken”, zegt hij. Voorlopig bouwt hij het netwerk op met historische theorieën, om het een voorproefje te geven van hoe mensen denken dat het universum is gestructureerd. De komende jaren wil hij haar vragen om met een eigen antwoord op deze ultieme vraag te komen.
