디스커버리 시스템(AI 조사)

Discovery system (AI research)

디스커버리 시스템은 새로운 과학적 개념이나 법칙을 발견하려고 시도하는 인공지능 시스템이다.디스커버리 시스템의 목적은 과학적 데이터 분석과 과학적 디스커버리 프로세스를 자동화하는 것입니다.이상적으로는 인공지능 시스템은 [1][2]가능한 모든 가설의 공간을 체계적으로 검색할 수 있어야 하며 데이터의 복잡한 패턴을 가장 잘 설명하는 가설(또는 가능성이 동일한 가설 집합)을 산출할 수 있어야 한다.

두 번째 AI 여름으로 알려진 시대(약 1978-1987) 동안, 그 시대의 지배적인 전문가 시스템과 유사한 다양한 시스템이 개발되어 인간 과학자와 상호 작용하거나 하지 않고 데이터에서 과학적 가설을 추출하는 문제를 해결했습니다.이 시스템에는 오토클래스,[3] 자동 수학자,[4][5] 일반 목적 가설 발견을 목표로 한 Eurisko [6]및 데이터에서 분자 특성을 찾아내는 Dalton과 같은 보다 구체적인 시스템이 포함되어 있습니다.

과학적 가설을 발견하는 시스템 구축의 꿈은 제2의 AI 겨울과 그에 따른 신경망과 같은 준상징적 방법의 부활을 통해 뒤로 밀렸다.준기호적 수법은 설명보다 예측을 강조하고, 잘 작동하지만 설명이 어렵거나 불가능한 수율 모델은 블랙박스 AI라는 이름을 얻었다.블랙박스 모형은 과학적 가설로 간주될 수 없으며, 이러한 발전은 심지어 일부 연구자들에게 현실 구조에 대한 가설과 이론을 밝혀내는 과학의 전통적인 목적이 쓸모없다는 것을 [7][8]제안하게 만들었다.다른 연구자들은 동의하지 않고 과학적 [9][10][11]이론을 만들어 내는 것이 아니라 기호 이하의 방법이 많은 경우에 유용하다고 주장한다.

1970년대와 1980년대의 디스커버리 시스템

  • 오토클래스(Autoclass)는 1986년에 작성된[3] 베이지안 분류 시스템이다.
  • Automated Mathemulator는 가장 먼저 성공한 발견 시스템 중 하나였습니다.1977년에 작성되었으며 수정한 작은 리스프 프로그램을 생성함으로써 작동하였다.
  • Eurisko는 1984년에 쓰여진 자동 수학자의 속편이다.
  • Dalton은 1983년 처음 시작되어 2017년부터 오픈 소스로 이용 가능한 다양한 분자 특성을 계산할 수 있는 여전히 유지 보수된 프로그램이다.
  • 글라우버는 1983년 시작된 과학 계산철학의 맥락에서 쓰여진 과학적 발견법이다.

최신 디스커버리 시스템(2009~현재)

발견 시스템에 대한 관심이 거의 없는 채 20년 후, 자연 법칙과 과학적 설명을 밝히기 위해 인공지능을 사용하는 것에 대한 관심은 당시 코넬 대학의 컴퓨터 생물학 박사과정 학생이었던 마이클 슈미트의 연구로 다시 시작되었습니다.슈미트와 그의 조언자인 호드 립슨은 "실험 자료에서 자유 형태의 자연 법칙을 도출하는"[12] 상징적인 회귀 접근법으로 유레카를 발명했다.이 연구는 상징적 회귀가 AI가 주도하는 과학적 발견을 위한 유망한 방법이라는 것을 효과적으로 보여주었다.

2009년 이후 상징적 회귀가 더욱 성숙해졌고, 오늘날에는 다양한 상업 및 오픈 소스 시스템이 과학 연구에 활발하게 사용되고 있다.주목할 만한 예로는 현재 DataRobot AI Cloud Platform의 일부인 Eureqa,[13] AI Feyman, QLattice [14]등이 있습니다.

레퍼런스

  1. ^ Shen, Wei-Min (1990). "Functional transformations in AI discovery systems". Artificial Intelligence. 41 (3): 257–272. doi:10.1016/0004-3702(90)90045-2. S2CID 7219589.
  2. ^ Gil, Yolanda; Greaves, Mark; Hendler, James; Hirsh, Haym (2014-10-10). "Amplify scientific discovery with artificial intelligence". Science. 346 (6206): 171–172. doi:10.1126/science.1259439. PMID 25301606. S2CID 206561353.
  3. ^ a b Cheeseman, Peter; Kelly, James; Self, Matthew; Stutz, John; Taylor, Will; Freeman, Don (1988-01-01). Laird, John (ed.). AutoClass: A Bayesian Classification System. Machine Learning Proceedings 1988. San Francisco: Morgan Kaufmann. pp. 54–64. doi:10.1016/b978-0-934613-64-4.50011-6. ISBN 978-0-934613-64-4. Retrieved 2022-07-24.
  4. ^ Ritchie, G.D.; Hanna, F.K. (August 1984). "AM: A case study in AI methodology". Artificial Intelligence. 23 (3): 249–268. doi:10.1016/0004-3702(84)90015-8.
  5. ^ Lenat, Douglas Bruce (1976). Am: An artificial intelligence approach to discovery in mathematics as heuristic search (Thesis).
  6. ^ Henderson, Harry (2007). "The Automated Mathematician". Artificial Intelligence: Mirrors for the Mind. Milestones in Discovery and Invention. Infobase Publishing. pp. 93–94. ISBN 9781604130591.
  7. ^ Anderson, Chris. "The End of Theory: The Data Deluge Makes the Scientific Method Obsolete". Wired. Retrieved 2022-07-24.
  8. ^ Vutha, Amar. "Could machine learning mean the end of understanding in science?". The Conversation. Retrieved 2022-07-24.
  9. ^ Canca, Cansu (2018-08-28). "Machine Learning as the Enemy of Science? Not Really". Bill of Health. Retrieved 2022-07-24.
  10. ^ Wilstrup, Casper Skern (2022-01-30). "Are we replacing science with an AI oracle?". Medium. Retrieved 2022-07-24.
  11. ^ Christiansen, Michael; Wilstrup, Casper; Hedley, Paula L. (2022-06-28). "Explainable "white-box" machine learning is the way forward in preeclampsia screening". American Journal of Obstetrics & Gynecology. doi:10.1016/j.ajog.2022.06.057. PMID 35779588. S2CID 250160871.
  12. ^ Schmidt, Michael; Lipson, Hod (2009-04-03). "Distilling Free-Form Natural Laws from Experimental Data". Science. 324 (5923): 81–85. doi:10.1126/science.1165893. PMID 19342586. S2CID 7366016.
  13. ^ Udrescu, Silviu-Marian; Tegmark, Max (2020-04-17). "AI Feynman: A physics-inspired method for symbolic regression". Science Advances. 6 (16): eaay2631. doi:10.1126/sciadv.aay2631. PMC 7159912. PMID 32426452.
  14. ^ Broløs, Kevin René; Machado, Meera Vieira; Cave, Chris; Kasak, Jaan; Stentoft-Hansen, Valdemar; Batanero, Victor Galindo; Jelen, Tom; Wilstrup, Casper (2021-04-12). "An Approach to Symbolic Regression Using Feyn". arXiv:2104.05417 [cs.LG].

외부 링크