برای مثال خودروهای الکتریکی را در نظر بگیرید؛ این نوع از وسایل نقلیه تأثیر قابل توجهی در کاهش میزان انتشار کربن و درنتیجه حفاظت از محیط زیست دارند، اما شرکت‌های خودروسازی برای تولید وسایل نقلیه الکتریکی معمولا با مشکلاتی مواجه هستند که باعث می‌شود تمایل کمتری برای ورود به این عرصه داشته باشند. یکی از اصلی‌ترین مشکلات کمبود مواد اولیه مورد نیاز برای ساخت باتری است.

مهندسان در حال طراحی شبکه‌های عصبی پیچیده‌ای هستند که برای ایجاد ساختار یادگیری ماشین در آنها از مغز انسان الهام گرفته شده است و به جای تکیه بر فرضیه‌های انسانی، نظریه‌پردازی را بر اساس الگوهای شناسایی شده در شبکه‌ای از داده‌ها انجام می‌دهند.

احتمالا به زودی در بسیاری از زمینه‌ها برای سرعت بخشیدن به روندهای علمی و کاهش سوگیری‌های انسانی، شاهد افزایش بهره‌گیری از فناوری یادگیری ماشین خواهیم بود.

در مورد موضوع کشف چهار ماده جدید برای ساخت باتری‌ها، در رویه مرسوم فعلی دانشمندان برای انتخاب ترکیبات شیمیایی مناسب معمولاً به ابزارهایی برای جست‌وجوی پایگاه داده، مدل‌سازی و همچنین تجربه و مهارت خودشان در خصوص مواد شیمیایی متکی است.

در حالی که گروهی از کارشناسان در دانشگاه لیورپول انگلستان موفق شده‌اند از یادگیری ماشین برای ساده‌سازی این فرآیند استفاده کنند. آنها با الهام از شبکه عصبی مغز انسان، ساختاری پیچیده ایجاد کرده‌اند که می‌تواند ترکیبات شیمیایی را بر اساس احتمال منجرشدن آنها به ساخت ماده‌ای جدید و مفید رتبه‌بندی کند.

به این ترتیب محققان دانشگاه لیورپول از روش رتبه‌بندی ابداعی خود استفاده کردند تا سمت و سوی هدفمندتری به آزمایش‌هایشان بدهند و در نتیجه چهار ماده امیدوارکننده‌ای که نامزد به‌کارگیری در ساخت باتری هستند کشف شدند.

روش رتبه‌بندی‌ای که این گروه از کارشناسان به کمک فناوری یادگیری ماشین ایجاد کردند توانست با کاهش مدت زمانی که معمولا صرف آزمایش و بررسی تک‌تک موارد درج شده در فهرست آنها می‌شد، از ماه‌ها آزمون و خطای بیهوده جلوگیری کرده و باعث صرفه‌جویی قابل‌توجهی در زمان شود.

آندرِی واسیلِنکو (Andrij Vasylenko)، محقق دانشگاه لیورپول و از اعضای گروه یابنده مواد جدید برای ساخت باتری‌ها، درخصوص روش رتبه‌بندی ابداعی این گروه می‌گوید: «این ابزاری عالی است که با افزایش چشمگیر در سرعت تحقیقات، به ما اجازه می‌دهد مواد شیمیایی بیشتری را بررسی کنیم. با کمک هوش مصنوعی می‌توان فرآیندهایی که منجر به شناسایی ترکیبات شیمیایی ارزشمند می‌شوند را بسیار سریع‌تر شناسایی کرد و به این ترتیب به اندازه چند ماه در زمان صرفه‌جویی می‌شود.»

کشف مواد جدید تنها حوزه‌ای نیست که یادگیری ماشین می‌تواند از طریق آن به پیشرفت علم کمک کند. در جریان تحقیقات دیگری دانشمندان موفق شده‌اند با استفاده از شبکه‌های عصبی الگوبرداری شده از مغز انسان به سؤالات نظری و حتی عملی بزرگ‌تری پاسخ دهند.

رناتو رنر (Renato Renner) فیزیک‌دان مؤسسه فیزیک نظری زوریخ، امیدوار است روزی از یادگیری ماشین برای تبیین یک نظریه واحد در مورد نحوه عملکرد جهان استفاده کند؛ اما پیش از آنکه هوش‌مصنوعی ماهیت واقعی طبیعت را کشف کند، محققان باید با این پرسش دشوار دست و پنجه نرم کنند که فرآیند تصمیم‌گیری در شبکه‌های عصبی چگونه اتفاق می‌افتد؟!

شیرجه در اعماق یادگیری ماشین

در ۱۰ سال گذشته «یادگیری ماشین» به ابزار بسیار محبوبی برای پیش‌بینی و طبقه‌بندی کلان‌داده‌ها تبدیل شده است اما همچنان توضیح مبنای منطقی تصمیم‌های آن می‌تواند بسیار دشوار باشد. شبکه‌های عصبی از گره‌های به‌هم پیوسته‌ای تشکیل می‌شوند که بر‌اساس نورون‌های مغز انسان مدل‌سازی شده‌اند و ساختار آنها به گونه‌ای است که با جاری‌شدن اطلاعات در آن تغییر شکل می‌دهد. این مدل تطبیق‌پذیر قادر است مسائل پیچیده‌ای را حل کند که اغلب رمزگشایی منطقی از آنها برای انسان نیز غیرممکن است.

معضل «جعبه سیاه» لقبی است که به این پیچیدگی ساختاری و نبود شفافیت ناشی از آن اطلاق می‌شود؛ زیرا درست مانند جعبه‌ای سیاه رنگ، انسان نمی‌تواند درون این شبکه را ببیند و فرآیند تفکری که در آن رخ می‌دهد را درک کند. در نتیجه نه‌تنها این ابهام می‌تواند باعث تضعیف میزان اعتماد به نتایج شود، بلکه تأثیرگذاری شبکه‌های عصبی در درک علمی انسان از جهان را نیز محدود می‌کند.

برخی از دانشمندان در تلاشند با استفاده از «روش‌ های تفسیرپذیر» به شفاف شدن جعبه سیاه کمک کنند. در این رویکرد سعی می‌شود توضیحی گام به گام از چگونگی رسیدن یک شبکه به پاسخ‌هایش ارائه شود. ممکن است نتوان جزئیات سطح بالایی از مدل‌های پیچیده یادگیری ماشین به دست آورد، اما محققان معمولا می‌توانند روند کلی یک شبکه در نحوه پردازش داده‌ها را شناسایی کنند که گاهی منجر به اکتشافات شگفت‌انگیزی می‌شود؛ مانند تخمین این‌که چه کسی بیشتر در معرض ابتلا به سرطان است.

آنانت مادابوشی (Anant Madabhushi) استاد مهندسی پزشکی، از روش‌های تفسیرپذیر استفاده کرد تا بفهمد چرا در برخی از بیماران احتمال بازگشت دوباره سرطان پستان یا پروستات بیشتر از سایرین است. او تصاویر بیماران را به‌عنوان ورودی به یک شبکه عصبی داد و این شبکه افرادی را که در معرض خطر بیشتری برای عودکردن سرطان بودند شناسایی کرد؛ وی سپس شبکه را تجزیه و تحلیل کرد تا مهم‌ترین ویژگی تعیین‌کننده در احتمال ابتلای مجدد یک بیمار به سرطان را بیابد. نتایج این بررسی نشان داد وضعیت قرارگیری غدد داخلی در کنار یکدیگر عاملی است که بیشترین نقش را در بازگشت دوباره سرطان ایفا می‌کند.

مادابوشی در‌خصوص تحقیقاتش می‌گوید: «این یک فرضیه نبود و ما اصلا چنین چیزی را نمی‌دانستیم. ما روشی را برای کشف جنبه‌ای جدید از یک بیماری به‌کار گرفتیم که میزان اهمیت آن بعداً معلوم شد.» تنها پس‌از آنکه فواید بهره‌گیری از فناوری هوش‌مصنوعی منتشر شد، مشخص شد نتایجی که گروه مادابوشی به‌دست آورده بودند تا چه حد با ادبیات علمی مرسوم در خصوص آسیب‌شناسی هم‌سو هستند. هرچند شبکه‌های عصبی هنوز نمی‌توانند توضیح دهند چرا تراکم ساختار غدد به سرطان کمک می‌کند، اما مادابوشی و همکارانش همچنان می‌توانند با استفاده از این شبکه‌های مبتنی بر هوش‌مصنوعی، درک بهتری از چگونگی و میزان پیشرفت رشد تومور در بدن انسان داشته باشند. مطمئنا چنین پیشرفت‌هایی هستند که در آینده افق‌های جدیدی پیشِ روی تحقیقات علمی باز خواهند کرد.

دست‌اندازهایی در مسیر تکامل هوش‌ مصنوعی

سومیک سرکار (Soumik Sarkar)، دانشیار مهندسی مکانیک دانشگاه آیووا واقع در ایالات متحده، می‌گوید: «نگاه به درون جعبه سیاه و درک آنچه در شبکه‌های عصبی رخ می‌دهد انسان را در ساختن فرضیه‌های علمی جدید کمک می‌کند، اما هنوز راه زیادی در پیش داریم. روش‌های تفسیرپذیری می‌توانند به یافتن ارتباطاتی که در فرآیند یادگیری ماشین ظاهر می‌شوند کمک کنند، اما نمی‌توانند علت آنها را اثبات کرده یا توضیحی ارائه دهند. در نهایت این روش‌ها هنوز نیازمند متخصصانی هستند که بتوانند معنای شبکه را تفسیر کنند.»

از طرف دیگر یادگیری ماشین اغلب از داده‌هایی که انسان‌ها جمع‌آوری کرده‌اند استفاده می‌کند که این امر می‌تواند به تکرار سوگیری‌های انسانی منجر شود. یکی از شبکه‌های عصبی به نام «مدیریت پرونده متخلفان اصلاح‌شده از طریق مجازات جایگزین» که با در نظر گرفتن سرواژه‌های معادلش به انگلیسی به اختصار «کامپَس» نامیده می‌شود، برای پیش‌بینی احتمال ارتکاب مجدد جرم توسط زندانیان به‌کار می‌رود.

جالب اینجاست که این ساختار به نژادپرستی متهم شده است! زیرا به اشتباه پیش‌بینی کرده بود در یکی از روستاهای ایالت فلوریدا، سیاه‌پوستان پس‌از آزادی از زندان تقریباً دو برابر بیشتر از افراد سفیدپوست قانون را مجدداً نقض می‌کنند. البته پس ‌از انتشار این گزارش تحقیقاتی، شرکت نرم‌افزاری «اِکویوَنت» (Equivant) که خالق کامپس محسوب می‌شود، آن را تکذیب کرد و مدعی شد مدل ارزیابی از احتمال خطری که ارائه‌دهندگان این تحقیقات از آن استفاده کرده‌اند تعریف نادرستی داشته است.

با وجود چنین مشکلاتی که بر سرِ راه پیشرفت هوش‌مصنوعی قرار دارد، رناتو رنر (فیزیک‌دان مستقر در زوریخ) امیدوار است یادگیری ماشین بتواند به مردم کمک کند از منظری کمتر متعصبانه دانش را دنبال کنند. به عقیده او شبکه‌های عصبی ابزار هیجان‌انگیزی هستند که مردم را ترغیب می‌کنند تا درباره سوالات قدیمی به روش‌های جدیدی فکر کنند. این در حالی است که شبکه‌های عصبی مبتنی بر هوش‌مصنوعی هنوز نمی‌توانند به‌تنهایی نظریه‌پردازی کنند و فرضیه‌های جدیدی بسازند، اما می‌توانند با نکاتی که ارائه می‌دهند دانشمندان را به سمت دیدگاه متفاوتی از یک مسأله راهنمایی کنند.

رنر تا جایی پیش می‌رود که تلاش می‌کند با طراحی یک شبکه عصبی بتواند ماهیت واقعی کیهان را مورد بررسی قرار دهد. بیش از یک قرن است که فیزیک‌دان‌ها قادر به تطبیق دو نظریه پایه‌ای جهان - نظریه کوانتومی و نظریه نسبیت عام انیشتین - نیستند؛ اما رنر امیدوار است فناوری یادگیری ماشین به او دیدگاه تازه‌ای بدهد تا از طریق آن بتواند ارتباط علمی مورد نیاز برای درک نحوه عملکرد ماده در مقیاس‌های بسیار کوچک و بسیار بزرگ را به دست آورد.

این دانشمند می‌گوید: «فقط در صورتی می‌توانیم قدم‌های بزرگی در فیزیک برداریم که مسائل را به شیوه‌ای غیرمتعارف نگاه کنیم.» اکنون رنر در حال ایجاد شبکه‌ای بر اساس نظریه‌های تاریخی است تا درک انسان از ساختار جهان را در تمام دوران‌ها مورد بررسی قرار دهد. در چند سال آینده، او قصد دارد از این شبکه عصبی مبتنی بر هوش‌ مصنوعی بخواهد به بزرگ‌ترین سؤال بشر پاسخ دهد: ماهیت جهان ما چیست و نحوه عملکرد آن چگونه است؟!

فراز سهیلی آزاد - دانش / روزنامه جام جم 
منبع: Scientific American