Podria la IA transformar a la ciencia misma?

Del THE ECONOMIST del 13 de Setiembre de 2023

LLas revoluciones científicas anteriores han sido lideradas por revistas y laboratorios académicos. Los robots podrían crear el próximo

“Al amplificar la inteligencia humana, la IA puede causar un nuevo Renacimiento, tal vez una nueva fase de la Ilustración”, sugirió a principios de este año Yann LeCun, uno de los padrinos de la inteligencia artificial (IA) moderna. La IA ya puede hacer que algunos procesos científicos existentes sean más rápidos y eficientes, pero ¿puede hacer más transformando la forma en que se hace la ciencia?
Transformaciones de este tipo ya han ocurrido antes. Con el surgimiento del método científico en el siglo XVII, los investigadores llegaron a confiar en las observaciones experimentales y en las teorías que de ellas derivaban, por encima de la sabiduría recibida de la antigüedad. Este proceso se vio respaldado de manera crucial por la aparición de revistas científicas, que permitieron a los investigadores compartir sus hallazgos, tanto para reclamar prioridad como para alentar a otros a replicar y desarrollar sus resultados. Las revistas crearon una comunidad científica internacional en torno a un cuerpo de conocimientos compartido, lo que provocó un aumento en los descubrimientos que hoy se conoce como la revolución científica.

Un enfoque prometedor es el “descubrimiento basado en la literatura” (LBD – por sus siglas en ingles ), que, como su nombre indica, tiene como objetivo realizar nuevos descubrimientos mediante el análisis de la literatura científica. El primer sistema LBD, construido por Don Swanson en la Universidad de Chicago en la década de 1980, buscaba conexiones novedosas en medline ( https://www.medline.com/) , una base de datos de revistas médicas. En un primer éxito, reunió dos observaciones separadas (que la enfermedad de Raynaud, un trastorno circulatorio, estaba relacionada con la viscosidad de la sangre, y que el aceite de pescado reducía la viscosidad de la sangre) y sugirió que, por lo tanto, el aceite de pescado podría ser un tratamiento útil. Esta hipótesis fue luego verificada experimentalmente.

Estamos cargando nuestra batería

Pero el sistema lbd del Dr. Swanson no logró imponerse fuera de la comunidad de IA en ese momento. Hoy en día, los sistemas de inteligencia artificial se han vuelto mucho más capaces de procesar el lenguaje natural y tienen un corpus mucho mayor de literatura científica para analizar. El interés por los enfoques del estilo lbd está creciendo ahora en otros campos, en particular en la ciencia de materiales.
En 2019, por ejemplo, un grupo de investigadores dirigido por Vahe Tshitoyan, entonces en el Laboratorio Nacional Lawrence Berkeley, en Estados Unidos, utilizó una técnica de inteligencia artificial llamada aprendizaje no supervisado para analizar los resúmenes de artículos sobre ciencia de materiales y extraer información sobre las propiedades de diferentes materiales. materiales en representaciones matemáticas llamadas “incrustaciones de palabras”. Estos colocan los conceptos en un espacio multidimensional donde se agrupan conceptos similares. De este modo, el sistema adquirió una “intuición química” que le permitía, por ejemplo, sugerir materiales con propiedades similares a las de otro material. Luego se pidió a la IA que sugiriera materiales que pudieran tener propiedades termoeléctricas (la capacidad de convertir una diferencia de temperatura en un voltaje eléctrico, y viceversa), aunque no estuvieran identificados como tales en la literatura. Se seleccionaron los diez materiales candidatos más prometedores y las pruebas experimentales descubrieron que los diez efectivamente mostraban propiedades termoeléctricas inusualmente fuertes.

Luego, los investigadores volvieron a entrenar su sistema, omitiendo artículos de años más recientes, y le pidieron que predijera qué nuevos materiales termoeléctricos se descubrirían en esos años posteriores. El sistema fue ocho veces más preciso a la hora de predecir tales descubrimientos de lo que se esperaría únicamente por casualidad. También podría hacer predicciones de descubrimiento precisas utilizando otros términos, como “fotovoltaico”. Los investigadores concluyeron que “tales métodos de inferencia basados en el lenguaje pueden convertirse en un campo de investigación completamente nuevo en la intersección entre el procesamiento del lenguaje natural y la ciencia”.
Un artículo de Jamshid Sourati y James Evans, ambos sociólogos de la Universidad de Chicago, publicado este año en Nature Human Behaviour, amplía este enfoque de una manera novedosa. Comienza con la observación de que los sistemas LBD tienden a centrarse en conceptos contenidos en artículos e ignoran a sus autores. Entonces entrenaron un sistema lbd para que tuviera en cuenta ambos. El sistema resultante fue dos veces mejor para pronosticar nuevos descubrimientos en ciencia de materiales que el construido por el equipo del Dr. Tshitoyan, y también pudo predecir a los descubridores reales con más del 40% de precisión.
Pero los investigadores dieron un paso más. En lugar de seguir a la multitud y predecir dónde los investigadores harían nuevos descubrimientos, pidieron a su modelo que evitara a la multitud e identificara hipótesis “extraterrestres” que son científicamente plausibles, pero poco probables, en el curso normal de las cosas, de ser descubiertas en un futuro próximo. futuro. Por lo tanto, sostienen los investigadores, el sistema puede acelerar los descubrimientos a corto plazo y explorar los “puntos ciegos” donde aguardan nuevos descubrimientos.
Además de sugerir nuevas hipótesis para investigar, los sistemas LBD que tienen en cuenta la autoría también pueden sugerir colaboradores potenciales que tal vez no se conozcan entre sí. Este enfoque podría resultar especialmente eficaz a la hora de identificar científicos que trabajen en diferentes campos, uniendo áreas de investigación complementarias. Las colaboraciones de investigación interdisciplinarias “pasarán de ser una rareza a ser más comunes” cuando estén mediadas por la IA, dice Yolanda Gil, científica informática de la Universidad del Sur de California. Y a medida que los sistemas lbd se amplíen para que puedan manejar tablas, gráficos y datos como secuencias genéticas y códigos de programación, se volverán más capaces. En el futuro, los investigadores podrían llegar a depender de tales sistemas para monitorear la avalancha de nuevos artículos científicos, resaltar resultados relevantes, sugerir nuevas hipótesis para la investigación e incluso vincularlos con posibles socios de investigación, como un servicio científico de emparejamiento. De este modo, las herramientas de IA podrían ampliar y transformar la infraestructura centenaria existente de publicación científica.

Estamos llenos de energía

Si LBD promete “supercargar” los “journals” con inteligencia artificial, los “científicos robóticos” o “laboratorios autónomos”, prometen hacer lo mismo con el laboratorio.
Estas máquinas van más allá de las formas existentes de automatización de laboratorio, como las plataformas de detección de drogas.
En lugar de ello, se les proporciona conocimiento previo sobre un área particular de investigación, en forma de datos, trabajos de investigación y patentes.
Luego utilizan la IA para formular hipótesis, realizar experimentos con robots, evaluar los resultados, modificar sus hipótesis y repetir el ciclo. Adam, una máquina construida en la Universidad de Aberystwyth en Gales en 2009, realizó experimentos sobre la relación entre genes y enzimas en el metabolismo de la levadura y fue la primera máquina en descubrir nuevos conocimientos científicos de forma autónoma.

La sucesora de Adán, llamada Eva, realiza experimentos de descubrimiento de fármacos y tiene un software más sofisticado. Al planificar y analizar experimentos, utiliza el aprendizaje automático para crear “relaciones cuantitativas estructura-actividad” (qsars), modelos matemáticos que relacionan estructuras químicas con efectos biológicos. Eve ha descubierto, por ejemplo, que el triclosán, un compuesto antimicrobiano utilizado en la pasta de dientes, puede inhibir un mecanismo esencial en los parásitos que causan la malaria

Ver nota completa en https://www.economist.com/science-and-technology/2023/09/13/could-ai-transform-science-itself

Scroll to Top