تکنیوز
نویسنده: Kannan Keeranam، مدیر، استراتژی و اجرای ابر و هوش مصنوعی در اینتل
اینتل اعلام کرد که همکاری تحقیقات استراتژیک و نوآوری خود را با Mila، یک موسسه تحقیقاتی هوش مصنوعی مستقر در مونترال، تقویت کرده است. به عنوان بخشی از یک تعهد سه ساله جدید، محققان اینتل و میلا بر روی هوش مصنوعی مسئول و توسعه تکنیک های هوش مصنوعی پیشرفته برای مشکلاتی مانند تغییرات آب و هوا، کشف مواد جدید و زیست شناسی دیجیتال تمرکز خواهند کرد. حل این چالش های پیچیده نیازمند تحقیقات عمیق هوش مصنوعی و تعهد به نوآوری باز برای پیشبرد هوش مصنوعی پیشرفته (SOTA) است.
کشف خودکار مواد جدید مبتنی بر هوش مصنوعی
همانطور که دانشمندان و سازمان‌ها برای مقابله با تغییرات آب و هوایی تلاش می‌کنند، یکی از مرتبط‌ترین موضوعات تحقیقاتی برای این موضوع، کشف مواد جدید مبتنی بر هوش مصنوعی است که می‌تواند هزینه‌ها و ردپای کربن فناوری‌ها را به شدت کاهش دهد. در حالی که پیشرفت در تکنیک‌های شبیه‌سازی شیمیایی، مانند نظریه تابعی چگالی، روش‌های مختلفی را ایجاد کرده است که قادر به شبیه‌سازی ویژگی‌های مهم سیستم‌های مواد پیچیده هستند، این تکنیک‌ها در پیچیدگی سیستم‌های مواد که می‌توانند مدل‌سازی کنند، با توجه به مقیاس نامطلوب هزینه محاسباتی محدود شده‌اند. تعداد اتم ها افزایش می یابد تکنیک‌های هوش مصنوعی، به‌ویژه شبکه‌های عصبی گراف (GNN)، پیشرفت قابل توجهی را به توانایی خود در تقریب شبیه‌سازی‌های شیمیایی با هزینه محاسباتی به‌طور قابل‌توجهی پایین‌تر، به ویژه با افزایش اندازه سیستم، نشان داده‌اند. این نویدبخش استفاده از تکنیک‌های شبیه‌سازی‌شده با هوش مصنوعی برای تکرار سیستم‌های مواد با پیچیدگی و کاربرد بیشتر برای چالش‌های تکنولوژیکی و اجتماعی مدرن، مانند تغییرات آب و هوایی است.
به عنوان بخشی از این تعامل، اینتل و میلا در توسعه نوآوری‌های علمی و فناوری برای بهبود عملکرد GNN در شبیه‌سازی‌های اتمی، مانند مجموعه داده Open Catalyst، همکاری خواهند کرد. این تلاش‌ها می‌توانند توانایی محققان برای درگیر شدن با داده‌های مواد اتمی را با تقویت خط لوله فناوری مرتبط با آن، دموکراتیک کنند. تیم های تحقیقاتی برای ایجاد چارچوب های مبتنی بر یادگیری برای بهبود جستجو در برنامه های طراحی مواد کار خواهند کرد. این چارچوب‌ها می‌توانند از ایده‌هایی از یادگیری تقویتی، الگوریتم‌های جستجو، مدل‌های مولد، و همچنین دیگر الگوریتم‌های یادگیری ماشین، از جمله شبکه‌های جریان تولیدی که توسط محققان Mila پیشگام شده‌اند، استفاده کنند. تمرکز اصلی این مسیر تحقیقاتی بر توسعه الگوریتم برای چالش‌های طراحی مواد و همچنین توسعه اکوسیستم با ایجاد جعبه‌ابزار برای چالش‌های رایجی است که محققان با آن مواجه می‌شوند.
به‌علاوه، تیم‌های اینتل و میلا از تکنیک‌های مبتنی بر پردازش زبان طبیعی (NLP) در مقالات مجلات، مقالات، وب‌سایت‌ها و/یا پتنت‌ها استفاده خواهند کرد. این امر محققان را قادر می‌سازد تا دانش فنی موجود در متن را جمع‌آوری و به کار ببرند تا بتوانند سیستم‌های مواد جدید را کشف کنند، پدیده‌های مختلف فیزیکی و شیمیایی مربوط به سنتز مواد را برای سرعت بخشیدن به مسیرهای کشف درک کنند، و روش‌هایی را برای ایجاد داده‌های ساختاریافته از داده‌های بدون ساختار ایجاد کنند. دانش کشف شده از این خط تحقیقات، هم افزایی ارزشمندی را برای تلاش های تحقیقاتی فوق الذکر برای پیشبرد قابل توجه طراحی مواد مبتنی بر هوش مصنوعی فراهم می کند.
یادگیری ماشین علّی برای علم آب و هوا
مدل‌های آب و هوایی استاندارد مبتنی بر فیزیک می‌توانند به پیش‌بینی اثرات تغییرات آب و هوایی کمک کنند، اما پیچیده و از نظر محاسباتی گران هستند. اجرای آنها اغلب ماه‌ها طول می‌کشد – حتی روی سخت‌افزار ابررایانه‌ای تخصصی – که فرکانس اجرای شبیه‌سازی و توانایی توسعه پیش‌بینی‌های ریز و محلی را کاهش می‌دهد.
اینتل معتقد است که تغییرات آب و هوایی جهانی یک چالش جدی زیست محیطی، اقتصادی و اجتماعی است که پاسخی به همان اندازه جدی دولت ها و بخش خصوصی را ایجاب می کند. این شرکت برای سال‌ها به طور فعال گام‌هایی برای کاهش ردپای زیست‌محیطی خود برداشته است و اخیراً برنامه‌هایی را برای دستیابی به انتشار خالص صفر گازهای گلخانه‌ای در فعالیت‌های جهانی خود تا سال 2040 اعلام کرده است. با اعلام امروز، اینتل و میلا در حال پیوستن به نیروهای خود برای رسیدگی بیشتر به این چالش از طریق توسعه هستند. و استفاده از تکنیک های جدید و پیشرفته هوش مصنوعی. با این همکاری، اینتل و میلا نوع جدیدی از شبیه‌ساز مدل آب و هوا را بر اساس یادگیری ماشین علّی (ML) خواهند ساخت تا مشخص کند که کدام متغیرها از ورودی‌های بسیار بالا برای مدل‌های آب و هوایی سنتی پیش‌بینی می‌کنند. تیم‌ها با پیش‌بینی احتمالی بارش و دما در منطقه شروع می‌کنند و از مجموعه‌ای از شبیه‌سازی‌های مدل آب و هوا در آرشیو داده‌های CMIP6 یاد می‌گیرند. گام بعدی توسعه الگوریتم های پیچیده تر برای کار با محرک های آب و هوای منطقه ای مانند تغییرات پوشش زمین خواهد بود.
در نهایت، این پروژه پیشرفت های قابل توجهی در علم آب و هوا را امکان پذیر می کند و مستقیماً با پیش بینی های محلی و منطقه ای از اثرات تغییرات آب و هوا، سیاست ها را آگاه می کند. این پروژه همچنین به دلیل تعداد زیادی از متغیرهای مرتبط و روابط متقابل پیچیده بین آنها، با تعداد نسبتاً زیادی از ارتباطات علی و عوامل مخدوش کننده متعدد، ML علّی پیشرو را پیش خواهد برد.
زیست شناسی دیجیتال: تسریع در مطالعه محرک های مولکولی بیماری ها و کشف دارو
زیست شناسی یک مرز هیجان انگیز در علوم طبیعی است. اکنون بیش از هر زمان دیگری، در حوزه محاسبات با در دسترس بودن داده های با وضوح بالا، ظهور پیشرفت ها در هوش مصنوعی و رشد چگالی محاسباتی بر اساس قانون مور قرار دارد. زمان آن فرا رسیده است که در نهایت عصر پزشکی دقیق را آغاز کنیم، جایی که ما از داده های همه یاد می گیریم تا برای یک نفر و همه مفید باشد.
برای تحقق این چشم انداز، اینتل و میلا تکنیک های هوش مصنوعی را توسعه خواهند داد تا:
- محرک های مولکولی پشت بیماری ها را درک کنید. پیش‌بینی فنوتیپ‌های پیچیده از جمله بیماری‌های مبتنی بر ژنوتیپ پلی‌مورفیسم‌های تک نوکلئوتیدی (SNPs)، که به طور رسمی به عنوان پیش‌بینی امتیاز خطر چند ژنی (PRS) شناخته می‌شود، یک چالش طولانی مدت در زیست‌شناسی دیجیتال بوده است. از آنجایی که بیشتر فنوتیپ‌ها توسط بسیاری از SNPها در سراسر ژنوم تحت تأثیر قرار می‌گیرند، چالش محاسباتی اصلی یادگیری مشترک اثرات علی همه SNPهای موجود در ژنوم روی فنوتیپ‌ها با استفاده از داده‌های جمعیت در مقیاس بزرگ است. با میلیون‌ها SNP که تاکنون شناسایی شده‌اند (مثلاً مجموعه داده‌های Biobank UK)، یک راه‌حل دقیق از نظر محاسباتی غیرقابل حل است.
- نویدبخش ترین مولکول های دارویی را شناسایی کنید. بیش از 10 سال و 2.5 میلیارد دلار برای تولید داروی جدید و نویدبخش ترین مولکول های دارویی هدف را شناسایی کنید. این یک فرصت بزرگ برای روش های مبتنی بر ML است. با تعداد داده‌هایی که قبلاً در حوزه زیست‌پزشکی تولید شده و به‌صورت نمودارها نمایش داده شده‌اند (مثلاً ادبیات علمی، مولکول‌های دارویی شناخته شده، اتصالات دارو به پروتئین، و غیره) فرصتی برای استفاده از چارچوب‌های منبع باز ML برای کشف دارو وجود دارد. برای مثال، TorchDrug، https://torchdrug.ai/Mila’s ML چارچوب برای کشف دارو بر اساس Graph ML، Deep Generative Models، و Reinforcement Learning، می تواند برای کاهش قابل توجه هزینه و زمان بازاریابی برای توسعه دارو استفاده شود.
اگر بخواهیم راه‌حل‌های دقیقی پیدا کنیم، این مسائل و بسیاری از این قبیل مسائل با علاقه علمی گسترده، از نظر محاسباتی غیرقابل حل هستند، اما می‌توان آنها را به عنوان مشکلات یادگیری در نظر گرفت: کشف شبکه‌های تنظیم‌کننده ژن به عنوان کشف علی و کشف دارو به عنوان یادگیری فعال. با استفاده از این رویکرد، اینتل و میلا به طور مشترک این چالش‌ها را برای ایجاد عملکرد بالا جدید برای 1) روش‌های هوش مصنوعی علی و 2) الگوریتم‌های هوش مصنوعی برای شناسایی مولکول‌های دارویی امیدوارکننده و آغاز دوره‌ای که مدت‌ها وعده داده شده در پزشکی دقیق را آغاز می‌کنند، انجام خواهند داد.
اعلامیه ها و سلب مسئولیت
ممکن است هزینه ها و نتایج شما متفاوت باشد
اینتل داده های شخص ثالث را کنترل یا ممیزی نمی کند. برای ارزیابی دقت باید به منابع دیگر مراجعه کنید
اظهارات این سند که به برنامه‌ها یا انتظارات آتی اشاره می‌کنند، اظهاراتی آینده‌نگر هستند. این اظهارات بر اساس انتظارات فعلی است و خطرات و عدم قطعیت های زیادی را در بر می گیرد که می تواند باعث شود نتایج واقعی از نظر بیان شده یا ضمنی در چنین اظهاراتی متفاوت باشد. برای اطلاعات بیشتر در مورد عواملی که می‌توانند نتایج واقعی را از نظر مادی متفاوت کنند، به آخرین انتشار درآمد و پرونده‌های SEC در www.intc.com مراجعه کنید.
© شرکت اینتل. اینتل، لوگوی اینتل و سایر علائم اینتل علائم تجاری Intel Corporation یا شرکت های تابعه آن هستند. نام ها و مارک های دیگر ممکن است به عنوان دارایی دیگران ادعا شود
