Casi en cualquier lugar al que vaya en Internet, parece casi imposible escapar de los artículos sobre inteligencia artificial. Incluso aquí en UT, hemos publicado varios. Por lo general, se centran en cómo un grupo de investigación en particular puede aprovechar la tecnología para comprender una gran cantidad de datos. Pero este tipo de reconocimiento de patrones no es todo para lo que sirve la IA. De hecho, se ha vuelto muy capaz de razonamiento abstracto. Y el lugar donde el pensamiento abstracto puede ser útil es en el desarrollo de nuevas teorías científicas. Con esta idea en mente, un equipo de investigadores de la Agencia Espacial Europea, Columbia y la Universidad Nacional de Australia (ANU) utilizó inteligencia artificial para generar hipótesis científicas en astronomía.

En concreto, lo han hecho en el subcampo de “astronomía galáctica”, que se especializa en investigaciones relacionadas con la formación y la física de las galaxias. Un artículo reciente sobre arXiv señala que eligieron este subcampo debido a su “naturaleza integradora”, que requiere “conocimiento de diversos subcampos”.

Esto suena exactamente como en lo que la IA es realmente buena. Pero un modelo estándar de lenguaje grande (LLM) como los que se han vuelto familiares recientemente (ChatGPT, Bard, etc.) no tendrá suficiente conocimiento del tema para desarrollar hipótesis plausibles en esta área. Incluso pueden ser víctimas de “alucinaciones”, que algunos investigadores (y periodistas) advierten que es una de las desventajas de interactuar con modelos.

Eliminar todos los anuncios en el universo hoy

¡Únete a Patreon por solo $3!

Disfruta de una experiencia sin anuncios de por vida

READ  Identificación de especies antiguas de cocodrilos en Tailandia - BenarNews

Para evitar este problema, los investigadores liderados por Ioana Ciuc? Y Yuan-Sen Ting de ANU usó un código conocido como Interfaz de programación de aplicaciones (API), escrito en Python, conocido como Langchain. Esta API permite a los usuarios más avanzados trabajar con LLM como GPT-4, que sirve como la base más nueva para ChatGPT. En el caso de los investigadores, subieron más de 1.000 artículos científicos relacionados con la astronomía galáctica a GPT-4 después de descargarlo del Sistema de Datos de Astrofísica de la NASA.

Uno de los experimentos de los investigadores fue probar cómo la cantidad de documentos a los que tenía acceso un modelo afectaba las hipótesis resultantes. Notaron una gran diferencia entre las hipótesis propuestas que desarrollaron teniendo acceso a solo diez hojas versus el acceso a las mil completas.

Pero, ¿cómo juzgaron la validez de las propias hipótesis? Hicieron lo que cualquier científico que se precie haría y contrataron expertos en el campo. Dos de ellos, para ser exactos. Y les pidieron meras hipótesis basadas en la originalidad del pensamiento, la posibilidad de probar hipótesis y la precisión científica de su base. Los expertos descubrieron que incluso con un conjunto de datos limitado de solo diez artículos, las hipótesis propuestas por “Astro-GPT”, como llamaron a su modelo, calificaron ligeramente por debajo de un doctorado competente. alumno. Al alcanzar las 1000 tarjetas completas, Astro-GPT ha obtenido un “nivel semi-experto”.

El factor decisivo para determinar las hipótesis finales que se presentaron a los expertos fue que las hipótesis se revisaron utilizando ‘estimulación antagónica’. Si bien esto suena agresivo, simplemente significa que además del programa que estaba desarrollando hipótesis, otro programa fue entrenado en el mismo conjunto de datos y luego proporcionó retroalimentación al primer programa sobre sus hipótesis, lo que obligó al programa original a refinar las falacias lógicas y en general generar ideas mucho mejor.

Incluso con las reacciones hostiles, no hay motivo para un doctorado en astronomía. Los estudiantes deben dejar de lado sus ideas únicas en su campo. Pero este estudio indica un potencial infrautilizado de estos LLM. Cuando se adopta ampliamente, los científicos y la gente común pueden hacer un uso cada vez mayor de él para generar nuevas y mejores ideas para probar.

Aprende más:
¿Ciuc? et al. – Aprovechar el poder del vector antagónico y los modelos de lenguaje extenso para generar poderosas hipótesis en astronomía
Utah – Le pedí a una inteligencia artificial que soñara con el sistema solar como alimento
Utah – ¿Nuestro universo está gobernado por inteligencia artificial?
UT – Gráficos de manchas solares de Galileo frente a la inteligencia artificial moderna de “aprendizaje profundo”

imagen principal:
Una imagen generada por IA de un universo lleno de datos
Crédito – IA a mitad de camino (?)