به فرضیه‌ای برای تحقیق نیاز دارید؟ از هوش مصنوعی بپرسید.

راهکار جدید MIT برای تولید فرضیه‌های تحقیقاتی

نوشتن یک فرضیه تحقیقاتی منحصر به فرد و امیدوارکننده یکی از مهارت‌های اساسی برای هر دانشمند است. اما این کار ممکن است زمان‌بر باشد. به‌ویژه دانشجویان دکتری ممکن است سال اول خود را صرف تصمیم‌گیری درباره موضوعات تحقیقاتی کنند. حالا تصور کنید که هوش مصنوعی بتواند به این موضوع کمک کند!

سیستم SciAgents و همکاری انسان و AI

محققان MIT روشی را طراحی کرده‌اند که به‌طور خودکار فرضیه‌های پژوهشی امیدوارکننده را در زمینه‌های مختلف تولید و ارزیابی می‌کند. در یک مقاله جدید، آن‌ها توضیح می‌دهند چگونه از این چارچوب برای ایجاد فرضیه‌های مبتنی بر شواهد استفاده کرده‌اند که با نیازهای تحقیقاتی در زمینه مواد الهام‌گرفته از زیست‌شناسی همخوانی دارد.

این چارچوب که محققان آن را SciAgents نامیده‌اند، شامل چندین عامل هوش مصنوعی است که هر کدام قابلیت‌های خاصی دارند و از روش‌های «استدلال گراف» استفاده می‌کنند. این روش به پیدا کردن و تعریف روابط بین مفاهیم علمی مختلف کمک می‌کند. به گفته مارکوس بیولر، این رویکرد «تقسیم و تسخیر» مشابه نحوه سازماندهی سیستم‌های زیستی است.

ایده‌های خلاقانه و خودکار

مدل‌های زبانی بزرگ (LLMs) توانایی پاسخ‌گویی به سوالات و خلاصه‌سازی اطلاعات را دارند، اما در زمینه تولید ایده‌های جدید از پایه محدودیت دارند. محققان MIT به این فکر افتادند که سیستمی طراحی کنند که مدل‌های هوش مصنوعی را قادر به انجام فرایندهای پیچیده‌تر کند و از روش‌های آفریدن دانش جدید استفاده کنند.

بنیاد رویکرد آن‌ها یک گراف دانش است که ارتباطات بین مفاهیم علمی مختلف را سازماندهی می‌کند. سپس با استفاده از این گراف و بر اساس مقالات علمی ورودی، سیستم‌های هوش مصنوعی فرضیه تحقیقاتی ایجاد می‌کنند. در این فرایند، یک مدل با نام «Ontologist» به تعریف اصطلاحات علمی و بررسی ارتباطات بین آن‌ها می‌پردازد.

تقویت سیستم و تولید فرضیه‌های جدید

محققان با استفاده از این سیستم، فرضیه‌هایی درباره مواد بیولوژیکی جدید و امکان‌سنجی آن‌ها معرفی کردند. به عنوان مثال، مدل «Scientist 1» پیشنهاد داد که از رنگدانه‌های مبتنی بر دندلیون برای تقویت ویژگی‌های اپتیکی و مکانیکی مواد جدید استفاده شود.

این سیستم نه تنها در تولید ایده‌های جدید موفق بوده، بلکه می‌تواند از ادبیات موجود نیز برای ارزیابی ایده‌ها و بررسی قابلیت‌های آن‌ها بهره‌برداری کند. یکی از محققان، احسان غفاری‌الهی، بیان کرده است که سیستم توانسته فرضیه‌های جدید و دقیق‌تری را تولید کند.

چشم‌انداز آینده

محققان امیدوارند با اضافه کردن ابزارهای جدید برای بازیابی اطلاعات و اجرای شبیه‌سازی‌ها، این سیستم را تقویت کنند. به گفته بیولر، بهبود در یکی از مدل‌ها می‌تواند تأثیر بزرگی بر عملکرد کلی سیستم داشته باشد.

این سیستم به دانشمندان دیگر کمک می‌کند تا ایده‌های بهتری توسعه دهند و در نهایت به آزمایش‌های واقعی بپردازند.