Badacze Dążą do Poprawy Roli AI w Chemii

Badacze pracują nad zrozumieniem, jak sztuczna inteligencja podejmuje decyzje, aby zwiększyć jej wykorzystanie w chemii, zwłaszcza w rozwijaniu leków. Nowe badania na ten temat zostaną przedstawione podczas jesiennego spotkania American Chemical Society, które odbędzie się od 18 do 22 sierpnia. Spotkanie będzie obejmować ponad 10 000 prezentacji na różne tematy naukowe.

Dziś, American Chemical Society ogłosiło w komunikacie prasowym, że badacze przedstawią wyniki badań nad wykorzystaniem Wyjaśnialnej Sztucznej Inteligencji (XAI) do zrozumienia, jak sztuczna inteligencja podejmuje decyzje w chemii. Poprzez demistyfikację tych złożonych systemów, eksperci mają na celu zwiększenie zaufania i poprawę skuteczności sztucznej inteligencji.

Rebecca Davis, profesorka chemii, wyjaśnia, że obecne modele AI często postrzegane są jako „czarne skrzynki”, które ukrywają swoje procesy podejmowania decyzji. Twierdzi: „Jeśli uda nam się opracować modele, które pomogą zrozumieć, jak AI podejmuje decyzje, mogłoby to potencjalnie sprawić, że naukowcy będą czuli się bardziej komfortowo z tymi metodologiami.”

Dodatkowo, XAI może dostarczyć cenne informacje do doskonalenia programowania AI i poprawy jego efektywności w praktyce. „Chcę wykorzystać XAI, aby zrozumieć, jakie informacje musimy przekazywać komputerom na temat chemii,” mówi Hunter Sturm, student na podyplomowych studiach w laboratorium Davis, prezentujący swoją pracę na spotkaniu.

Badacze rozpoczęli od wprowadzania do bazy danych znanych cząsteczek leków do modelu AI zaprojektowanego do przewidywania aktywności biologicznej związku. Aby zrozumieć proces decyzyjny modelu, zastosowali model XAI opracowany przez współpracownika, Pascala Friedericha z Niemieckiego Instytutu Technologii w Karlsruhe.

To pozwoliło im zidentyfikować konkretne cechy molekularne wpływające na prognozy AI. Analizując te czynniki, Davis i Sturm zdobyli wgląd w kryteria AI dotyczące kategoryzacji cząsteczek i określania ich potencjału jako kandydatów na leki.

Wstępne wyniki sugerują, że XAI może wykryć rzeczy, które mogą umknąć ludziom, ponieważ jest w stanie analizować znacznie więcej zmiennych naraz.

Na przykład, analizując cząsteczki penicyliny, AI odkryło coś nieoczekiwanego. Naukowcy z reguły sądzą, że kluczowe dla jej właściwości antybiotycznych jest podstawowa struktura penicyliny. Jednak Davis wyjaśniła, że XAI zidentyfikowała części dołączone do tego rdzenia jako kluczowy czynnik decydujący o aktywności antybiotycznej cząsteczki. Stwierdza, że mogłoby to wyjaśnić, dlaczego niektóre zmodyfikowane wersje penicyliny o tej samej strukturze podstawowej są mniej skuteczne.

Jako kolejny krok, naukowcy planują współpracować z laboratorium mikrobiologicznym, aby stworzyć i przetestować potencjalne związki antybiotykowe zidentyfikowane przez ulepszone modele AI. Ich ostatecznym celem jest wykorzystanie AI do opracowania nowych i bardziej skutecznych antybiotyków, które mogą zwalczać rosnące zagrożenie opornością na antybiotyki.

Podczas prezentacji, Davis stwierdza: „Uczenie maszynowe daje nam teraz możliwość robienia tego na znacznie większą skalę, gdzie prawdopodobnie zobaczymy trendy, których nigdy nie widzieliśmy w zachowaniu chemicznym i pozwoli nam tworzyć cząsteczki i materiały w znacznie szybszym tempie, niż kiedykolwiek w historii”.

W miarę jak AI ciągle ewoluuje, przejrzystość i zrozumienie stają się kluczowe dla budowania zaufania zarówno publicznego, jak i naukowego. Poprzez rozwikłanie skomplikowanych zagadnień AI, naukowcy czynią postępy w kierunku wykorzystania jej pełnego potencjału dla dobra społeczeństwa.