[論文レビュー] The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence

Héctor Zenil, Jesper Tegnér+18 more|arXiv (Cornell University)|Jul 9, 2023

Scientific Computing and Data Management被引用数 11

ひとこと要約

この展望は、仮説を生成し、実験を実施し、現在のAIアプリケーションを超えて根源的な説明モデルを明らかにする、AI主導の自動化・生成的・閉循環型科学発見のビジョンを概説する。

ABSTRACT

Recent advances in machine learning and AI, including Generative AI and LLMs, are disrupting technological innovation, product development, and society as a whole. AI's contribution to technology can come from multiple approaches that require access to large training data sets and clear performance evaluation criteria, ranging from pattern recognition and classification to generative models. Yet, AI has contributed less to fundamental science in part because large data sets of high-quality data for scientific practice and model discovery are more difficult to access. Generative AI, in general, and Large Language Models in particular, may represent an opportunity to augment and accelerate the scientific discovery of fundamental deep science with quantitative models. Here we explore and investigate aspects of an AI-driven, automated, closed-loop approach to scientific discovery, including self-driven hypothesis generation and open-ended autonomous exploration of the hypothesis space. Integrating AI-driven automation into the practice of science would mitigate current problems, including the replication of findings, systematic production of data, and ultimately democratisation of the scientific process. Realising these possibilities requires a vision for augmented AI coupled with a diversity of AI approaches able to deal with fundamental aspects of causality analysis and model discovery while enabling unbiased search across the space of putative explanations. These advances hold the promise to unleash AI's potential for searching and discovering the fundamental structure of our world beyond what human scientists have been able to achieve. Such a vision would push the boundaries of new fundamental science rather than automatize current workflows and instead open doors for technological innovation to tackle some of the greatest challenges facing humanity today.

研究の動機と目的

• 現在のワークフローを補助する段階から、新たな科学法則を発見する方向へとAIを進化させる必要性を動機づける。
• 実験室自動化と統合した閉ループ・自動運用の枠組みを提案し、端から端までの科学的発見を実現する。
• 生成型AIとLLMsが高レベルの推測を自動化ループ内の計算可能なモジュールへ翻訳する方法を論じる。
• 因果性、説明可能性、再現性、ガバナンスなど、AI主導の科学における課題に対処する。

提案手法

• 仮説生成、モデル構築、実験、知識統合を含む、AI主導の科学発見の正式な閉ループ反復サイクルを提案する。
• 透明で解釈可能な表現と潜在的な法則を明らかにするため、因果分析と生成モデルの統合を主張する。
• ループ内で高レベルの推測を計算可能な要素に分解するため、LLMsおよびGenAIの活用を提案する。
• 知識表現とエージェント間の相互作用を管理するための人間とAIの協働、およびメタAI戦略の必要性を強調する。
• 提案された枠組みをより広い軌跡の中に位置づけるため、歴史的背景と過去のAIを科学に応用した取り組みを論じる。

実験結果

リサーチクエスチョン

• RQ1 科学において新しい根本的な説明モデルを発見するために、AI主導の閉ループ系に何が必要か？
• RQ2 生成型AI、LLMs、象徴的/因果的方法をどのように統合して、解釈可能で検証可能な科学的仮説を生み出すか？
• RQ3 自律的なAI主導科学を実現するために、ガバナンス、再現性、信頼性の配慮はどのように対処すべきか？
• RQ4 発見と信頼性を最大化するために、科学的探究のさまざまなサイクルにおいて、人間とAIはどのような役割を果たすべきか？

主な発見

• 閉ループ枠組みに組み込まれたAIは、観察、仮説生成、実験、文献統合のサイクルを自動化できる可能性がある。
• 現在のAI手法には、根本的な発見に必要な高レベルの抽象化と因果推論の仕組みが不足しており、生成型と象徴的方法の統合がこのギャップを埋める可能性がある。
• LLMsは、人間の研究目標をループ内のモジュール化された計算可能タスクへ翻訳するインターフェースおよびブローカーとして機能できる。
• アクティブラーニングと因果分析は、AI主導の科学においてデータバイアス、過学習、モデル崩壊を防ぐために不可欠である。
• 協調的な人間-AIアプローチは、発見の迅速化、再現性の向上、科学的実践の民主化をもたらす可能性がある。