خلافات DeepMind مع العلماء الروس حول أبحاث الذكاء الاصطناعي الكمومية
لا يوجد شيء مثير ومُلهِم مثل الاختراق العلمي. ولكن ماذا يحدث عندما لا يبدو أن مجموعات مختلفة من العلماء تتفق على العلم؟
نشرت شركة DeepMind، وهي شركة أبحاث تابعة لشركة Alphabet ومقرها لندن، ورقة بحثية رائعة العام الماضي زعمت فيها أنها حلت التحدي الهائل المتمثل في “محاكاة المادة على النطاق الكمي باستخدام الذكاء الاصطناعي”.
الآن، بعد ما يقرب من ثمانية أشهر، ربما اكتشفت مجموعة من الباحثين الأكاديميين من روسيا وكوريا الجنوبية مشكلة في البحث الأصلي الذي يضع الاستنتاج الكامل للورقة موضع شك.
قد تكون الآثار المترتبة على هذا البحث المتطور هائلة، إذا كانت استنتاجات الورقة صحيحة. في الأساس، نحن نتحدث عن إمكانية استخدام الذكاء الاصطناعي لاكتشاف طرق جديدة للتعامل مع اللبنات الأساسية للمادة.
أمل جديد
الفكرة الكبيرة هنا تتضمن القدرة على محاكاة التفاعلات الكمومية. يتكون عالمنا من مادة مكونة من جزيئات مكونة من ذرات. في كل مستوى من مستويات التجريد، يصبح المحاكاة أصعب وأصعب.
بحلول الوقت الذي تصل فيه إلى المستوى الكمي، الموجود داخل الذرات، تصبح مشكلة محاكاة التفاعلات المحتملة صعبة للغاية.
للقيام بذلك على جهاز الكمبيوتر، يتطلب الأمر محاكاة الإلكترونات، وهي الجسيمات دون الذرية التي تتحكم في كيفية ارتباط الذرات لتشكيل الجزيئات وهي أيضًا مسؤولة عن تدفق الكهرباء في المواد الصلبة.
على الرغم من عقود من الجهد والعديد من التطورات الهامة، فإن النمذجة الدقيقة للسلوك الميكانيكي الكمومي للإلكترونات لا يزال يمثل تحديًا مفتوحًا.
تكمن المشكلة الأساسية في أنه من الصعب حقًا التنبؤ باحتمالات وصول إلكترون معين إلى موضع معين. ويزيد التعقيد كلما أضفت أكثر.
كما أشار DeepMind في نفس منشور المدونة، جاء زوج من الفيزيائيين في الستينيات من القرن الماضي باختراق:
أدرك بيير هوهنبرج ووالتر كون أنه ليس من الضروري تتبع كل إلكترون على حدة.
بدلاً من ذلك، فإن معرفة احتمالية وجود أي إلكترون في كل موضع (أي كثافة الإلكترون) كافية لحساب جميع التفاعلات بالضبط. حصل كوهن على جائزة نوبل في الكيمياء بعد إثبات ذلك، وبالتالي أسس النظرية الوظيفية للكثافة (DFT).
لسوء الحظ، يمكن لـ DFT فقط تبسيط العملية حتى الآن. اعتمد الجزء “الوظيفي” من النظرية على البشر للقيام بكل الأحمال الثقيلة.
كل ذلك تغير مرة أخرى في ديسمبر عندما نشرت DeepMind ورقة بعنوان “دفع حدود وظائف الكثافة من خلال حل مشكلة الإلكترون الجزئي.”
في هذه الورقة، يدعي فريق DeepMind أنه قد حسّن بشكل جذري الأساليب الحالية لنمذجة السلوك الكمي من خلال تطوير شبكة عصبية:
من خلال التعبير عن الوظيفة كشبكة عصبية ودمج هذه الخصائص الدقيقة في بيانات التدريب، نتعلم وظائف خالية من الأخطاء المنهجية المهمة – مما يؤدي إلى وصف أفضل لفئة واسعة من التفاعلات الكيميائية.
الأكاديميون يردون
نجحت ورقة DeepMind في اجتياز عملية المراجعة الأولية الرسمية وكان كل شيء على ما يرام. حتى أغسطس 2022، نشر فريق من ثمانية أكاديميين من روسيا وكوريا الجنوبية تعليقًا يشكك في استنتاجه.
وفقًا لبيان صحفي صادر عن معهد سكولكوفو للعلوم والتكنولوجيا:
قدرة DeepMind AI على تعميم سلوك مثل هذه الأنظمة لا تنبع من النتائج المنشورة وتتطلب إعادة النظر.
بعبارة أخرى: يتناقش الأكاديميون حول كيفية توصل الذكاء الاصطناعي الخاص بـ DeepMind إلى استنتاجاته.
وفقًا للباحثين المعلقين، فإن عملية التدريب التي استخدمتها DeepMind لبناء شبكتها العصبية علمتها كيفية حفظ إجابات المشكلات المحددة التي كانت ستواجهها أثناء القياس – وهي العملية التي يحدد بها العلماء ما إذا كان أحد الأساليب أفضل من الآخر.
كتب الباحثون في تعليقهم:
على الرغم من أن استنتاج كيركباتريك وآخرون. حول دور أنظمة FC / FS في مجموعة التدريب قد يكون صحيحًا، فهو ليس التفسير الوحيد الممكن لملاحظاتهم.
في رأينا، قد تكون التحسينات في أداء DM21 على مجموعة بيانات اختبار BBB بالنسبة إلى DM21m ناتجة عن سبب أكثر واقعية: تداخل غير مقصود بين مجموعات بيانات التدريب والاختبار.
إذا كان هذا صحيحًا، فهذا يعني أن DeepMind لم تعلم شبكة عصبية للتنبؤ بميكانيكا الكم.
عودة الذكاء الاصطناعي
كان DeepMind سريع الاستجابة. نشرت الشركة ردها في نفس يوم التعليق وقدمت توبيخًا فوريًا وحازمًا:
نحن لا نتفق مع تحليلهم ونعتقد أن النقاط المثارة إما غير صحيحة أو غير ذات صلة بالاستنتاجات الرئيسية للورقة وتقييم الجودة العامة لـ DM21.
يتوسع الفريق في هذا خلال رده:
DM21 لا يحفظ البيانات؛ يتضح هذا ببساطة من خلال حقيقة أن DM21 Exc يتغير على المدى الكامل للمسافات المذكورة في BBB ولا يساوي حد الفصل اللانهائي، كما هو موضح في الشكل 1، A وB ، لـ H2 + وH2.
على سبيل المثال، عند 6 Å، يكون DM21 Exc حوالي 13 كيلو كالوري / مول من الحد اللانهائي في كل من H2 + وH2 (وإن كان في اتجاهين متعاكسين).
وعلى الرغم من أنه خارج نطاق هذه المقالة لشرح المصطلحات أعلاه، يمكننا أن نفترض بأمان أن DeepMind كان مستعدًا على الأرجح لهذا الاعتراض المحدد.
أما فيما يتعلق بما إذا كان ذلك يحل المشكلة، فلا يزال يتعين رؤيته. في هذه المرحلة، لم نشهد بعد مزيدًا من الدحض من الفريق الأكاديمي لمعرفة ما إذا كان قد تم تخفيف مخاوفهم.
في غضون ذلك، من الممكن أن تتجاوز تداعيات هذه المناقشة مجرد التأثير على ورقة بحثية واحدة.
نظرًا لأن مجالات الذكاء الاصطناعي وعلوم الكم أصبحت متشابكة بشكل متزايد، فقد أصبحت أيضًا أكثر فأكثر تحت سيطرة مجموعات أبحاث الشركات ذات الجيوب العميقة.
ماذا يحدث عندما يكون هناك مأزق علمي – الأطراف المتعارضة غير قادرة على الاتفاق على فعالية نهج تكنولوجي معين عبر المنهج العلمي – وتأتي مصالح الشركات في اللعب؟
ماذا الان؟
يمكن أن يكمن جوهر المشكلة في عدم القدرة على شرح كيفية قيام نماذج الذكاء الاصطناعي “بضرب الأرقام” للوصول إلى الاستنتاجات التي توصلوا إليها.
يمكن لهذه الأنظمة أن تمر بملايين التباديل قبل إخراج إجابة. سيكون من المستحيل شرح كل خطوة من خطوات العملية، وهذا هو بالضبط سبب حاجتنا إلى اختصارات خوارزمية وذكاء اصطناعي لإجبار المشاكل على نطاق واسع والتي ستكون أكبر من أن يتمكن الإنسان أو الكمبيوتر من حلها بشكل مباشر.
في النهاية، مع استمرار أنظمة الذكاء الاصطناعي في التوسع، يمكننا الوصول إلى نقطة لم يعد لدينا فيها الأدوات اللازمة لفهم كيفية عملها.
عندما يحدث هذا، يمكننا أن نرى تباعدًا بين تقنية الشركة وتلك التي تمر بمراجعة النظراء الخارجية.
هذا لا يعني أن ورقة DeepMind هي مثال على ذلك. كما كتب الفريق الأكاديمي المعلق في بيانهم الصحفي:
إن استخدام أنظمة الإلكترونات الجزئية في مجموعة التدريب ليس الجديد الوحيد في عمل DeepMind.
من المحتمل أن يتم استخدام فكرتهم المتمثلة في إدخال القيود المادية في الشبكة العصبية عبر مجموعة التدريب، بالإضافة إلى نهج فرض الحس المادي من خلال التدريب على الإمكانات الكيميائية الصحيحة، على نطاق واسع في بناء وظائف DFT للشبكة العصبية في المستقبل.
لكننا نختبر نموذجًا تقنيًا جريئًا وجديدًا مدعومًا بالذكاء الاصطناعي. ربما حان الوقت للبدء في التفكير في شكل المستقبل في عالم ما بعد مراجعة الأقران.
المصدر: thenextweb
قد يهمك:
