Revista El Color del Dinero

Bienvenidos a Spain News Today.

DeepMind no está de acuerdo con los científicos rusos sobre la investigación de la IA cuántica

No hay nada tan emocionante e inspirador como un avance científico. Pero, ¿qué sucede cuando diferentes grupos de científicos no parecen ponerse de acuerdo sobre la ciencia?

DeepMind, una firma de investigación de Alphabet con sede en Londres, publicó un brillante artículo el año pasado en el que afirmaba haber resuelto el enorme desafío de «simular materia a escala cuántica utilizando inteligencia artificial». Ahora, casi ocho meses después, un grupo de investigadores académicos de Rusia y Corea del Sur puede haber descubierto un problema con la investigación original que pone en duda la conclusión completa del artículo.

Las implicaciones de esta investigación de vanguardia podrían ser enormes, si las conclusiones del artículo son correctas. Básicamente, estamos hablando de usabilidad. Inteligencia artificial Descubrir nuevas formas de lidiar con los componentes básicos de la materia.

Nueva Esperanza

Saludos gente

Suscríbase a nuestro boletín ahora para recibir un resumen semanal de nuestras historias favoritas de IA directamente en su bandeja de entrada.

La gran idea aquí es la capacidad de simular interacciones cuánticas. Nuestro mundo está hecho de materia compuesta de moléculas compuestas de átomos. En cada nivel de abstracción, la simulación se vuelve más y más difícil.

Cuando llegas al nivel cuántico, que está dentro de los átomos, el problema de simular posibles interacciones se vuelve muy difícil.

para cada Entrada en el blog De DeepMind:

Para hacer esto en una computadora, sería necesario simular electrones, las partículas subatómicas que controlan cómo se unen los átomos para formar moléculas y también son responsables del flujo de electricidad en los sólidos.

A pesar de décadas de esfuerzo y muchos desarrollos importantes, el modelado preciso del comportamiento mecánico cuántico de los electrones sigue siendo un desafío abierto.

El principal problema es que es realmente difícil predecir las probabilidades de que un electrón en particular alcance una posición en particular. La complejidad aumenta a medida que agrega más.

Como señaló DeepMind en la misma publicación de blog, un par de físicos en la década de 1960 idearon un truco:

Pierre Hohenburg y Walter Kohn se dieron cuenta de que no era necesario rastrear cada electrón individualmente. En cambio, conocer la probabilidad de tener cualquier electrón en cada posición (es decir, la densidad electrónica) es suficiente para explicar exactamente todas las interacciones. Kuhn fue galardonado con el Premio Nobel de Química después de probar esto, estableciendo así la teoría funcional de la densidad (DFT).

Desafortunadamente, DFT solo puede simplificar el proceso hasta ahora. La parte «funcional» de la teoría dependía de los humanos para hacer todo el trabajo pesado.

READ  Un nuevo estudio dice que la vida en Venus es poco probable. Pero …

Todo eso cambió en diciembre cuando publiqué DeepMind papel Titulado «Ampliar las fronteras de las funciones de densidad resolviendo el problema de los electrones fraccionarios».

En este documento, el equipo de DeepMind afirma haber mejorado radicalmente los métodos existentes para modelar el comportamiento cuántico mediante el desarrollo de una red neuronal:

Al expresar la función como una red neuronal e incorporar estas propiedades sutiles en los datos de entrenamiento, aprendemos funciones que están libres de errores sistemáticos importantes, lo que da como resultado una mejor descripción de una amplia clase de reacciones químicas.

Los académicos responden

El documento de DeepMind pasó el proceso de revisión inicial oficial y todo salió bien. Hasta agosto de 2022 ha sido editado y publicado por un equipo de ocho académicos de Rusia y Corea del Sur. Suspensión cuestionando su conclusión.

para cada presione soltar Del Instituto Skolkovo de Ciencia y Tecnología:

La capacidad de DeepMind AI para generalizar el comportamiento de tales sistemas no se deriva de los resultados publicados y requiere reconsideración.

En otras palabras: los académicos están debatiendo cómo la IA de DeepMind llegó a sus conclusiones.

Según los investigadores que comentaron, el proceso de entrenamiento que DeepMind usó para construir su red neuronal le enseñó cómo memorizar respuestas a problemas específicos que habría encontrado durante una medición, el proceso mediante el cual los científicos determinan si un enfoque es mejor que otro.

En su comentario, los investigadores escribieron:

Aunque la conclusión de Kirkpatrick et al. Sobre el papel de los sistemas FC/FS en el conjunto de entrenamiento puede ser cierto, no es la única explicación posible para sus observaciones.

En nuestra opinión, las mejoras en el rendimiento del DM21 en el conjunto de datos de prueba BBB en relación con el DM21m pueden deberse a una razón más realista: la superposición no intencionada entre los conjuntos de datos de entrenamiento y prueba.

Si es cierto, significa que DeepMind en realidad no ha enseñado a una red neuronal a predecir la mecánica cuántica.

READ  Hubble captura un cúmulo globular brillante

El regreso de la inteligencia artificial

DeepMind fue muy receptivo. La empresa publicó su respuesta el mismo día que el comentario y entregó una reprimenda inmediata y firme:

No estamos de acuerdo con su análisis y creemos que los puntos planteados son incorrectos o irrelevantes para las principales conclusiones del documento y la evaluación general de la calidad de DM21.

El equipo amplía esto en su respuesta:

DM21 no guarda datos; Esto se ilustra simplemente por el hecho de que el DM21 Exc varía en todo el rango de distancias mencionado en el BBB y no es igual al límite de separación infinita, que se muestra en la Figura 1, A y B, para H2+ y H2. Por ejemplo, a 6 Å, DM21 Exc tiene aproximadamente 13 kcal/mol de límite infinito tanto en H2+ como en H2 (aunque en direcciones opuestas).

Y aunque está más allá del alcance de este artículo explicar los términos anteriores, podemos asumir con seguridad que DeepMind probablemente estaba preparado para esta objeción específica.

En cuanto a si eso resuelve el problema, eso está por verse. En este punto, todavía tenemos que ver más refutación por parte del equipo académico en cuanto a si se han disipado sus preocupaciones.

Mientras tanto, es posible que las implicaciones de esta discusión vayan más allá de afectar un solo trabajo de investigación.

A medida que los campos de la inteligencia artificial y la ciencia cuántica se entrelazan cada vez más, también se encuentran cada vez más bajo el control de grupos de investigación corporativos con mucho dinero.

¿Qué sucede cuando hay un punto muerto científico (las partes opuestas no pueden ponerse de acuerdo sobre la efectividad de un enfoque tecnológico particular a través del método científico) y los intereses corporativos entran en juego?

READ  ¿Cómo está cambiando COVID-19 los patrones de pesca durante el bloqueo en India?

¿Ahora que?

El quid del problema podría estar en la incapacidad de explicar cómo los modelos de IA «multiplican los números» para llegar a sus conclusiones.

Estos sistemas pueden pasar por millones de permutaciones antes de obtener una respuesta. Sería imposible explicar cada paso del proceso, razón por la cual necesitamos atajos algorítmicos y de inteligencia artificial para forzar problemas a una escala que sería demasiado grande para que un humano o una computadora los resuelva directamente.

En última instancia, a medida que los sistemas de IA continúan expandiéndose, podemos llegar a un punto en el que ya no tengamos las herramientas para comprender cómo funcionan. Cuando esto sucede, podemos ver una divergencia entre la tecnología de la empresa y las que pasan por una revisión externa por pares.

Esto no quiere decir que el artículo de DeepMind sea un ejemplo de esto. Como escribió el equipo de comentaristas académicos en su comunicado de prensa:

El uso de sistemas de microelectrones en el conjunto de entrenamiento no es la única novedad en el trabajo de DeepMind. Su idea de introducir restricciones físicas en la red neuronal a través del conjunto de entrenamiento, así como el enfoque para hacer cumplir el sentido físico a través del entrenamiento del potencial químico correcto, probablemente se usará ampliamente en la construcción de las funciones DFT de la red neuronal en el futuro.

Pero estamos probando un nuevo y audaz paradigma tecnológico impulsado por inteligencia artificial. Tal vez sea hora de que comencemos a pensar en cómo será el futuro en un mundo posterior a la revisión por pares.