Могут ли математики изобрести что-то принципиально новое для программирования, как-то помочь программистам?

ИИ как корпoративный development и (не versus) математика как фундаментальная наука

=======================

ИИ доказывает, что он хорошо разбирается в чистой математике и белковых галлюцинациях

Одна из причин, по которой искусственный интеллект является такой интересной областью, заключается в том, что почти никто не знает, в чем он может оказаться хорош. Две статьи ведущих лабораторий, опубликованные сегодня в журнале Nature, показывают, что машинное обучение можно применять к таким технически сложным задачам, как генерация белков, и таким абстрактным, как чистая математика.

Проблема с белком может показаться не такой уж неожиданной, учитывая недавние волнения вокруг способности ИИ сворачивать белки, что продемонстрировали DeepMind от Google и лаборатория Baker Lab из Вашингтонского университета, не случайно также те, кто выпустил статьи, которые мы сегодня отмечаем. Исследование, проведенное Baker Lab, показывает, что модель, которую они создали для понимания того, как укладываются белковые последовательности, может быть перепрофилирована, по сути, для противоположного действия: создания новой последовательности, отвечающей определенным параметрам и действующей, как и ожидалось, при тестировании in vitro. Это не было очевидно — у вас может быть ИИ, который отлично распознает лодки на картинках, но не может их нарисовать, например, или ИИ, который переводит с польского на английский, но не наоборот.

Поэтому открытие того, что ИИ, созданный для интерпретации структуры белков, может также создавать новые, является важным. В этом направлении уже проделана некоторая работа различными лабораториями, такими как ProGen в SalesForce Research. Но RoseTTAFold от Baker Lab и AlphaFold от DeepMind далеко впереди, когда речь идет о точности протеомных прогнозов, поэтому приятно знать, что эти системы могут превратить свой опыт в творческие начинания.

==================

Абстракции ИИ

==================

Тем временем DeepMind захватил обложку журнала Nature, опубликовав статью, показывающую, что ИИ может помочь математикам в решении сложных и абстрактных задач.

Идея здесь основывается на том факте, что математика в значительной степени является изучением взаимосвязей и паттернов — по мере того, как одно увеличивается, другое уменьшается, скажем, или по мере увеличения граней многогранника увеличивается и число его вершин. Поскольку эти вещи происходят согласно системам, математики могут делать предположения о точном соотношении между этими вещами.

Некоторые из этих идей просты, как выражения тригонометрии, которые мы выучили в начальной школе: фундаментальное качество треугольников состоит в том, что сумма их внутренних углов составляет в сумме 180 градусов или что сумма квадратов более коротких сторон равна квадрат гипотенузы. А как насчет 900-гранного многогранника в 8-мерном пространстве? Не могли бы вы найти эквивалент a^2 + b^2 = c^2 для этого?

Математики знают, но объем такой работы ограничен просто потому, что нужно оценить множество примеров, прежде чем можно будет быть уверенным, что наблюдаемое качество является универсальным, а не случайным. Именно здесь, в качестве метода экономии труда, DeepMind развернула свою модель ИИ.

«Компьютеры всегда хорошо выдавали данные в масштабе, с которым люди не могут сравниться, но отличие [здесь] заключается в способности ИИ выявлять закономерности в данных, которые было бы невозможно обнаружить в человеческом масштабе. — объяснил оксфордский профессор математики Маркус дю Сотуа в пресс-релизе DeepMind. Фактические достижения, достигнутые с помощью этой системы искусственного интеллекта, намного превышают мою голову, но математики среди наших читателей наверняка поймут следующее, цитата из DeepMind:

====================

Гипотеза комбинаторной инвариантности, бросающая вызов прогрессу почти 40 лет, утверждает, что между определенными ориентированными графами и полиномами должна существовать связь. Используя методы машинного обучения, мы смогли обрести уверенность в том, что такая связь действительно существует, и выдвинуть гипотезу о том, что она может быть связана со структурами, известными как сломанные двугранные интервалы и экстремальные отражения.

Алгебра, геометрия и квантовая теория разделяют уникальные точки зрения на [узлы], и давняя загадка заключается в том, как соотносятся эти разные ветви: например, что геометрия узла говорит нам об алгебре?

Мы обучили модель машинного обучения обнаруживать такой паттерн, и неожиданно выяснилось, что конкретная алгебраическая величина — сигнатура — напрямую связана с геометрией узла, которая ранее не была известна и не предполагалась существующей теорией. Используя методы атрибуции машинного обучения, мы помогли профессору Лакенби открыть новую величину, которую мы называем естественным наклоном, которая намекает на важный аспект структуры, который до сих пор упускали из виду.

=====================

Предположения были подтверждены миллионами примеров — еще одно преимущество вычислений в том, что вы можете приказать им тщательно проверить вашу гипотезу, не покупая пиццу и кофе.

Но, как отмечает Кристиан Стамп из Рурского университета в Бохуме в кратком изложении статьи в Nature, то, что это вообще работает, является важным шагом на пути к такой идее.

«Ни один из результатов не обязательно недосягаем для исследователей в этих областях, но оба дают подлинную информацию, которая ранее не была обнаружена специалистами. Таким образом, продвижение — это больше, чем наброски абстрактной структуры», — написал он. «Еще предстоит определить, широко ли применим такой подход, но Davies et al. обеспечивают многообещающую демонстрацию того, как инструменты машинного обучения могут использоваться для поддержки творческого процесса математических исследований».

Источник https://techcrunch.com/2021/12/01/ai-does-pure-mathematics-and-protein-hallucination/

01/12/2021