Часть 1. Умный инструмент для работы с большими данными
Идея использовать искусственный интеллект (ИИ) для научных исследований появилась ещё в 1960-е годы, когда были достигнуты первые успехи на пути его создания. Однако эффективное его применение стало возможным лишь в конце второго десятилетия XXI века, когда успешно заработало обучение гигантских многослойных искусственных нейронных сетей (ИНС), получившее название глубокого обучения, и был изобретён целый ряд специализированных ИНС, способных работать с различной информацией: свёрточные сети — с изображениями, рекуррентные сети — с временными последовательностями, трансформеры и генеративно-состязательные сети — со сложным контекстом. Более того, к этому времени ИИ стал просто необходим, поскольку наука уже несколько десятилетий находилась в состоянии информационного «перегруза». Её инструменты, такие как ускорители частиц вроде Большого адронного коллайдера и гигантские телескопы на Земле и в космосе, генерируют петабайты данных. Традиционные методы, включая компьютерные, подчас просто не способны обработать этот поток в поисках нового. Так что технологии ИИ становятся не только полезным инструментом, а часто единственным эффективным средством для решения поставленных задач. Попробуем сформулировать на примерах, в чём ИИ превосходит классические инструменты, где он их дополняет и как это меняет саму суть научного метода.
ИИ против математической статистики
До появления ИИ единственным инструментом работы с большими массивами данных в науке была математическая статистика, во многом опирающаяся на теорию вероятности. Активно развиваемая последние двести лет, она добилась выдающихся успехов в анализе результатов наблюдений и экспериментов, позволяя находить в них зависимости и разрабатывать модели явлений. Но у поиска закономерностей методами математической статистики есть фундаментальное ограничение: требуется, чтобы человек заранее задал, какого именно вида закономерность он ищет.
Ведь как, по сути, работает в статистике регрессионный анализ? У нас есть величина Y, зависящая от величины X, и мы хотим найти уравнение, которому эта связь подчиняется. Мы предполагаем, скажем, что это уравнение линейное, то есть имеет вид Y = aX + b, после чего методом линейной регрессии вычисляем коэффициенты a и b. График такой зависимости представляет собой прямую линию. Аналогично можно найти нелинейную зависимость и связь Y с несколькими величинами (нелинейная и многофакторная регрессии).
Однако классическая статистика была создана в эпоху, когда независимых переменных и данных было мало. Физик измерял температуру, давление и объём газа в десятках или сотнях опытов и искал связь между тремя числами. А сегодня физики, работающие с ускорителями или рентгеновскими лазерами на свободных электронах (например XFEL* в Германии), получают петабайты информации; биолог собирает данные о экспрессии 20 000 генов одновременно у 500 пациентов; климатолог моделирует планету на сетке с миллиардом ячеек… Здесь в игру вступает чудовищное количество факторов. В этих случаях классическая статистика задыхается, тем более что подчас просто невозможно задать правильную форму модели. Проблемы, возникающие при работе с данными, у которых очень много признаков или измерений, образно называют «проклятие размерности». И здесь на сцену выходит ИИ.
Машинное обучение — это не волшебная палочка, а мощный инструмент для поиска закономерностей в сложных данных. Причём ИНС способна находить закономерности, которые мы не просто не просили искать, а даже не знали, что они существуют. При этом глубокое обучение специально создано для больших данных, благодаря ему ИНС может одновременно анализировать тысячи параметров и находить в этом хаосе порядок. Найденные закономерности, особенно многофакторные, могут быть такой сложности, какая не под силу статистике.
Исследования методами математической статистики также часто требуют предварительных предположений, что данные подчиняются определённым законам, например нормальному распределению, случайности или независимости наблюдений. В реальности же они почти никогда этим условиям не соответствуют. И учёным приходится придумывать различные по-правки и преобразования, чтобы получить результат. ИИ гораздо терпимее, он не требует предварительных предположений, более того, он может работать с зашумлёнными данными, в которых есть пропуски и выбросы. Это огромное преимущество, потому что реальный мир не похож на аккуратные формулы из учебника...
