AI に複雑な研究​​データを理解させるよう教える

人工知能 (AI) は、医療画像、材料データ、科学的測定値の分析にますます使用されていますが、現実世界のデータが理想的な条件と一致しない場合、多くのシステムは問題を抱えています。さまざまな機器、実験、シミュレーションから収集された測定値は、分解能、ノイズ、信頼性が大きく異なることがよくあります。従来の機械学習モデルは通常、これらの差異は無視できるものであると想定しており、この前提により精度と信頼性が制限される可能性があります。

この問題に対処するために、ペンシルバニア州立大学の研究者らは、アルツハイマー病研究から先端材料設計に至るまでの分野に潜在的な影響を与える新しい人工知能フレームワークを開発しました。このアプローチは ZENN と呼ばれ、次の研究で詳しく説明されています。 注目の のショーケースとして 米国科学アカデミーの議事録、AI モデルに、データ品質の隠れた違いを無視するのではなく、認識して適応するよう教えます。

ZENN (Zentropy-Embedded Neural Networks の略) は、材料科学および工学の博士研究員である Shun Wang によって開発されました。 Wenrui Hao 氏（数学教授）、Zi-Kui Liu 材料科学工学教授、Shunli Shang 研究教授（材料科学工学教授）。

ZENN のアプローチの背後にある科学

ゼントロピー これはリューの高度なエントロピー理論であり、秩序を維持するためのエネルギーが不足するとシステムは無秩序に向かう傾向があると仮定しています。このより深いエントロピー理論は、量子力学、熱力学、統計力学を統合して、一貫した予測モデルを作成します。研究者らはこのアプローチを使用してフレームワークを開発し、熱力学の原理をニューラル ネットワーク (科学に基づいて人間の脳が情報を処理する方法を模倣する AI の一種) に直接埋め込み、モデルが意味のある信号を不確実性やノイズから区別できるようにしました。

「ほとんどの機械学習手法は、すべてのデータが同種であることを前提としています」とハオ氏は言う。 「しかし、現実世界のデータは本質的に異質なものです。AI を科学的発見に役立てたいのであれば、それを考慮する必要があります。」

従来のニューラル ネットワークは、多くの場合、モデルの予測が正解からどの程度離れているかを測定するために、クロス エントロピー損失と呼ばれる数学的手法を使用してトレーニングされます。ハオ氏によると、このアプローチは、トレーニング データがクリーンで信頼性が高く、一貫性がある場合にうまく機能します。

正確なコンピューターシミュレーションとノイズの多い実験やセンサーの測定値を組み合わせるなど、モデルが異種データを統合するように求められる場合、問題が発生します。 ZENN は、データのプロパティを 2 つの部分に分類することで、熱力学にヒントを得た異なるアプローチを採用しています。

「エネルギー」と呼ばれる 1 つの部分は、データ内の意味のあるパターンまたは信号を捕捉します。 「固有エントロピー」と呼ばれるもう 1 つの部分は、測定値のノイズ、不確実性、または無秩序を捕捉します。このモデルは、調整可能な「温度」パラメーターも使用します。これは、データが正確なシミュレーションから得られたものなのか、それともノイズの多い実験から得られたものなのかなど、データセット間の隠れた差異を認識するのに役立ちます。これにより、ZENN はさまざまなデータ品質を考慮しながら、真の信号に焦点を当てることができます。

ワン氏は、このアイデアを不完全な文書を読むことに例えました。

「汚れや汚れのある手書きのメモを読んでいると、どのマークが意味を持ち、どのマークが単なるノイズであるかがわかります」とワン氏は言う。 「従来の AI はすべてを同じように扱うことがよくあります。ZENN は違いを見分けるように設計されています。」

現実世界のテストとアプリケーション

研究者らはテストで、ZENN が大規模で複雑なニューラル ネットワークのパフォーマンスに匹敵し、データ品質が変化してもより堅牢な状態を維持できることを発見しました。同様に重要なことは、このフレームワークは、どのような結果が期待されるかだけでなく、システムが特定の方法で動作する理由についての洞察を提供することだとチームは述べています。

彼らは、鉄分が豊富な鉄プラチナとして知られる合金を含む材料科学のケーススタディでフレームワークをテストしました。この合金は、加熱すると収縮するという珍しい特性があります。研究チームは ZENN を使用して材料の自由エネルギー状況を再構築し、その異常な負の熱膨張の背後にある熱力学的メカニズムを明らかにしました。

「多くの AI モデルはブラック ボックスのように機能します」と Liu 氏は言います。 「彼らは予測を行うことはできますが、その背後にある物理学を説明することはできません。ZENN は、その行動を引き起こすメカニズムを明らかにするのに役立ちます。」

研究者らは、このフレームワークは生物医学研究において特に価値がある可能性があると述べている。アルツハイマー病などの病気には、脳画像、遺伝情報、分子マーカー、その他の臨床記録など、複雑で異種データが含まれます。 ZENNはこれらのデータセットを統合して疾患のサブタイプを特定し、進行を追跡し、プロセスの主要な移行点を正確に特定できる可能性があると研究者らは述べた。

研究チームは、同様の利点が、アミロイドの極低温電子顕微鏡研究、気候研究で使用される化石花粉粒の分析、地理情報システムのデータとPM2.5指数、住宅価格、メンタルヘルスなどのセンサー測定値を組み合わせた高度なイメージングシステムにも適用できる可能性があると報告した。ペンシルバニア州立大学では、複数の分野にわたって幅広いコラボレーションが確立されています。

将来の方向性と広範な影響

Liu氏によると、材料科学と工学において、ZENNは理想的なコンピュータシミュレーションと現実世界の実験の間のギャップを埋めるのに役立つ可能性があるという。両方から学ぶことで、このフレームワークは、理論的に有望であるだけでなく、製造可能な材料の設計を導くことができ、骨修復のための医療インプラントから、大規模で複雑なデータセットを管理および分析するシステムである ULTERA などの高度なデータ プラットフォームに至るまで、潜在的な用途が可能になります。

Liu氏はまた、このアプローチは、不確実性が欠陥ではなく基本的な特徴である量子コンピューティングなどの新興分野でも役立つ可能性があると指摘した。 Zentropy を認識した推論を AI モデルに組み込むことで、量子情報を解釈および管理するための新しいツールが提供される可能性があります。

特にこの手法を非常に大規模または複雑なシステムに拡張する際に課題は残っているが、この研究は人工知能が科学をどのように支援できるかという広範な変化を反映しているとリュー氏は述べた。

「パターンを見つけるためだけに AI を使用するのではなく、メカニズムの理解に AI を活用したいと考えています」と Liu 氏は言います。 「それが科学的知識を前進させるのです。」