Anthropic показала, как ИИ самостоятельно создаёт научные модели

Исследователи из Института ELLIS в Тюбингене и Тюбингенского университета рассказали, как искусственный интеллект помогает автоматизировать создание научных моделей. В статье, опубликованной в блоге Anthropic, авторы выделяют три ключевых этапа моделирования: построение модели, настройку её параметров и интерпретацию результатов. Прежде каждый из них требовал непосредственного участия учёных. Сегодня ИИ-системы постепенно осваивают все три задачи, добившись наиболее заметных успехов в настройке моделей по экспериментальным данным.

В качестве примера авторы рассматривают модель Ходжкина — Хаксли, которую физиологи Алан Ходжкин и Эндрю Хаксли создали в 1951 году для описания электрических импульсов нервных клеток. После поломки компьютера Кембриджского университета Хаксли более трёх недель вручную решал уравнения с помощью механического калькулятора. Исследователи выяснили, что для точного воспроизведения измеренной активности нейрона одну из переменных необходимо возвести в четвёртую степень. Они предположили, что это связано с перемещением нескольких заряженных частиц, необходимым для открытия ионного канала. Спустя десятилетия оказалось, что родственный калиевый канал действительно состоит из четырёх одинаковых белковых частей, окружающих центральную пору.

Сегодня ИИ потенциально способен справиться с аналогичной задачей за несколько часов. Для настройки сложных моделей применяют нейросети и метод simulation-based inference (SBI) — статистический вывод на основе симуляций. Алгоритм многократно запускает модель с различными параметрами, собирает результаты и обучает нейросеть определять, какие настройки могли дать наблюдаемые данные. Для модели Ходжкина — Хаксли может потребоваться около 100 000 симуляций, а для более сложных систем — миллионы. После обучения нейросеть способна оценивать параметры новых экспериментов за считаные секунды.

Этот подход позволяет получить не единственный наиболее подходящий набор параметров, а целое распределение вероятных вариантов. Это важно: разные настройки могут одинаково точно воспроизводить экспериментальные данные, но при этом приводить к разным предсказаниям. Авторы предлагают использовать аналогичный принцип и при построении моделей. ИИ-агент получает описание исследуемой системы и результаты экспериментов, затем самостоятельно предлагает несколько вариантов уравнений, пишет код, запускает симуляции, сопоставляет результаты с наблюдениями и корректирует модели. При этом сложным объяснениям с большим числом дополнительных параметров отдаётся меньшее предпочтение, чем простым моделям, хорошо согласующимся с данными.

Подобные системы уже разрабатываются: за последние два года вышло несколько исследований, в которых большие языковые модели (LLM) самостоятельно создают научные модели. Однако до сих пор их в основном испытывали на задачах, правильные ответы на которые учёным уже были известны. Убедительных доказательств того, что ИИ способен успешно объяснять принципиально новые явления, пока недостаточно. Ещё труднее автоматизировать третий этап — интерпретацию. Точное воспроизведение наблюдений само по себе не доказывает, что модель верно описывает механизм реального процесса. Для этого нужно сопоставлять альтернативные объяснения и определять, какие свойства системы действительно подтверждаются экспериментами.

Авторы считают перспективным создание не одной модели, а целого набора объяснений, согласующихся с имеющимися данными. Если разные модели одинаково предсказывают поведение системы после внешнего воздействия, такой прогноз получает более надёжное обоснование. Если же результаты различаются, это указывает на необходимость новых экспериментов. В качестве примера исследователи приводят моделирование мозга плодовой мушки: схема его связей охватывает более 100 000 нейронов, и на её основе уже создают модели активности зрительной системы. По мере усложнения таких систем найти единственное верное описание становится всё труднее. Поэтому задача ИИ в науке состоит не только в быстром поиске уравнения, соответствующего данным, но и в выявлении объяснений, которые выдерживают проверку, оставшихся неопределённостей и экспериментов, способных их устранить.

Источник: iXBT