System wykrywania (badania AI)
System odkrywania to system sztucznej inteligencji , który próbuje odkryć nowe koncepcje naukowe lub prawa. Celem systemów wykrywania jest automatyzacja analizy danych naukowych i procesu odkrywania naukowego. Idealnie byłoby, gdyby system sztucznej inteligencji był w stanie systematycznie przeszukiwać przestrzeń wszystkich możliwych hipotez i dostarczać hipotezy – lub zestawu równie prawdopodobnych hipotez – która najlepiej opisuje złożone wzorce w danych.
opracowano różne systemy podobne do dominujących systemów eksperckich tamtej epoki, aby rozwiązać problem wydobywania hipotez naukowych z danych, z interakcją z naukowcem lub bez. Systemy te obejmowały Autoclass, Automated Mathematician , Eurisko , którego celem było odkrywanie hipotez ogólnego przeznaczenia, oraz bardziej szczegółowe systemy, takie jak Dalton , który odkrywa właściwości molekularne na podstawie danych.
Marzenie o budowaniu systemów, które odkrywają hipotezy naukowe, zostało zepchnięte na dalszy plan wraz z drugą zimą sztucznej inteligencji i późniejszym odrodzeniem metod subsymbolicznych, takich jak sieci neuronowe . Metody subsymboliczne kładą nacisk na przewidywanie nad wyjaśnieniem i dają modele, które działają dobrze, ale są trudne lub niemożliwe do wyjaśnienia, co przyniosło im miano czarnej skrzynki . Modelu czarnej skrzynki nie można uznać za hipotezę naukową, a rozwój ten skłonił nawet niektórych badaczy do zasugerowania, że tradycyjny cel nauki – odkrywanie hipotez i teorii dotyczących struktury rzeczywistości – jest przestarzały. Inni badacze nie zgadzają się i argumentują, że metody subsymboliczne są przydatne w wielu przypadkach, ale nie do generowania teorii naukowych.
Systemy Discovery z lat 70. i 80. XX wieku
- Autoclass był Bayesowskim Systemem Klasyfikacji napisanym w 1986 roku
- Automated Mathematician był jednym z najwcześniejszych udanych systemów odkrywania. Został napisany w 1977 roku i działał poprzez generowanie modyfikujących małych programów w Lispie
- Eurisko było kontynuacją Automated Mathematician napisanej w 1984 roku
- Dalton to wciąż utrzymywany program zdolny do obliczania różnych właściwości molekularnych, wprowadzony na rynek w 1983 roku i dostępny jako open source od 2017 roku
- Glauber to naukowa metoda odkrywcza napisana w kontekście obliczeniowej filozofii nauki zapoczątkowanej w 1983 roku
Nowoczesne systemy wykrywania (2009 – obecnie)
Po kilku dekadach niewielkiego zainteresowania systemami odkrywania, zainteresowanie wykorzystaniem sztucznej inteligencji do odkrywania praw naturalnych i wyjaśnień naukowych zostało odnowione dzięki pracy Michaela Schmidta, wówczas doktoranta biologii obliczeniowej na Uniwersytecie Cornell . Schmidt i jego doradca, Hod Lipson , wymyślili Eureqa , którą opisali jako symboliczne podejście regresji do „destylacji swobodnych praw naturalnych z danych eksperymentalnych”. Ta praca skutecznie pokazała, że regresja symboliczna jest obiecującą drogą do odkryć naukowych opartych na sztucznej inteligencji.
Od 2009 roku regresja symboliczna dojrzała i obecnie w badaniach naukowych aktywnie wykorzystuje się różne systemy komercyjne i open source. Godne uwagi przykłady to Eureqa, obecnie część DataRobot AI Cloud Platform, AI Feynman i QLattice .
Linki zewnętrzne