یکی از اولین نسخه های هوش مصنوعی کامپیوتری بود که شطرنج بازی می کرد. این بازی که در دهه 1950 ساخته شد، می تواند یک بازی کامل را بدون دخالت انسان انجام دهد – البته به جز حرکات حریف. کامپیوتر حدود هشت دقیقه طول کشید تا هر یک از حرکات خود را انجام دهد، اما پیشرفت محاسباتی آغازی بر پایان دنیای بدون هوش مصنوعی بود. امروزه ابزارهای هوش مصنوعی وظایف مختلفی را بر عهده می گیرند، از جمله کمک به کنترل ماشین های پیچیده در فیزیک ذرات و اخترفیزیک.
همانطور که هوش مصنوعی برای بازی شطرنج به حریف انسانی نیاز دارد، سیستم‌های هوش مصنوعی مدرن در اتاق‌های کنترل باید در کنار اپراتورهای انسانی کار کنند. و همانطور که تمرین با هوش مصنوعی می‌تواند به انسان ایده‌های جدیدی برای راه‌های بازی شطرنج بدهد، کار با هوش مصنوعی در آزمایشگاه می‌تواند به انسان کمک کند تا راه‌های جدیدی برای کار با ماشین‌های علمی پیدا کند.
مدل سازی ذرات در شتاب دهنده ها
یکی از انواع رایج هوش مصنوعی، یادگیری ماشینی است، که در آن الگوریتم‌ها به دنبال الگوها در مجموعه داده‌های بزرگ بدون دستورالعمل‌های خاصی در مورد چگونگی انجام این کار هستند. در آزمایشگاه شتاب دهنده ملی فرمی وزارت انرژی ایالات متحده، فیزیکدان جیسون سنت جان الگوریتم های یادگیری ماشینی را برای کمک به حفظ جریان پرتوهای ذرات در یک شتاب دهنده ذرات می نویسد.
خارج از فیزیک پر انرژی، قوی ترین شتاب دهنده ها برای هدایت لیزرهای اشعه ایکس استفاده می شود که به دانشمندان اجازه می دهد تا سیستم های شیمیایی، مواد و بیولوژیکی را در عمل مطالعه کنند. در فیزیک پرانرژی، قوی ترین شتاب دهنده ها با ذرات با انرژی بالا برخورد می کنند و به دانشمندان اجازه می دهد تا اجزای سازنده اساسی جهان را مطالعه کنند. دانشمندان در حال توسعه الگوریتم هایی برای کمک به کارکرد هر دو نوع شتاب دهنده هستند.
کار در یک شتاب دهنده ذرات پیشرو در جهان یک حرفه متمایز است که به سال ها کارآموزی و آموزش در حین کار نیاز دارد. به عنوان مثال، در Fermilab، اپراتورها دائماً تنظیمات شتاب دهنده را نظارت و تنظیم می کنند تا پرتوهای ذرات را در حال گردش و تمرکز در شدت های رکورد نگه دارند.
در اتاق کنترل شتاب دهنده ذرات، یک سیستم هشدار نشان می دهد که پرتو در شرف از کار افتادن است. چیزی که سیستم هشدار به دنبال آن نیست، جابجایی های ظریف پرتو یا روندهای دیگر است که می تواند یک ثانیه قبل از زنگ هشدار رخ دهد. سنت جان می‌گوید اگر این مشکلات قابل تشخیص باشند – و مهمتر از همه، فوراً توسط یک الگوریتم یادگیری ماشینی آموزش دیده برطرف شوند، پرتو می‌تواند به کار خود ادامه دهد و دانشمندان می‌توانند از هر ساعت از روز علم بیشتری را حذف کنند.
برای ساخت این نوع الگوریتم ها، St. جان مستقیماً با اپراتورهای شتاب دهنده و کارشناسان ماشین کار می کند. اپراتورها این تخصص را دارند که بگویند چه چیزی شایسته اتوماسیون است، و تیم در St. جان این تخصص را دارد که تعیین کند آیا راه حلی برای یک مشکل قابل برنامه ریزی است یا خیر. او می گوید: «کار ما یک تلاش مشترک است. مشکلاتی وجود خواهد داشت که سیستم یادگیری ماشینی آن را به خوبی پیش بینی نمی کند، بنابراین همیشه برای تصمیم گیری به یک انسان نیز نیاز خواهید داشت.
برنامه ریزی تلسکوپ
در اخترفیزیک، دانشمندان برای کشف ناشناخته های جهان به تلسکوپ های قدرتمند تکیه می کنند. برایان نورد، دانشمند Fermilab، می گوید که جامعه اخترفیزیک طیف گسترده ای از سؤالات علمی برای بررسی دارد، اما آنها منابع لازم برای ساخت یک تلسکوپ کاملاً جدید برای مقابله با هر یک از آنها را ندارند. بنابراین آنها باید مصالحه کنند – مانند اینکه چگونه از یک تلسکوپ تک و چند منظوره برای پاسخ دادن به سؤالات مختلف در آن واحد استفاده کنند.
مشکل این است که برنامه های رصد قدرتمندترین تلسکوپ های جهان شلوغ است و جمع آوری داده های مورد نیاز را برای اخترفیزیکدانان دشوار می کند.
در سال 2015، نورد به ابزار جدیدی برای کمک به این مشکل فکر کرد: او متوجه شد که هوش مصنوعی می تواند به اخترفیزیکدانان کمک کند تا برنامه های تلسکوپ را سازماندهی کنند تا بتوانند به طور همزمان بسیاری از سوالات مختلف را دنبال کنند.
برای آزمایش این ایده، Nord; پیتر ملکیور، استادیار علوم اخترفیزیک در دانشگاه پرینستون؛ و مایلز کرانمر، استادیار علوم مبتنی بر داده در دانشگاه کمبریج، الگوریتمی را توسعه دادند که مدل می‌کند چگونه از یک تلسکوپ منفرد می‌توان به بهترین شکل برای مطالعه گروهی متشکل از 1 میلیارد کهکشان استفاده کرد. دانشمندان قبلاً اندازه‌گیری‌های دقیقی از موقعیت کهکشان‌ها داشتند، اما اطلاعات کلیدی دیگری مانند جرم و فاصله آنها از زمین نداشتند. به طور سنتی، جمع آوری این نوع اطلاعات از یک میلیارد کهکشان زمان طولانی و گاهی سال ها طول می کشد.
برای اینکه ببینند آیا هوش مصنوعی می‌تواند راهی برای جمع‌آوری سریعتر اطلاعات پیدا کند، تیم Nord یک مدل یادگیری عمیق بدون نظارت متشکل از دو شبکه عصبی نموداری را توسعه دادند. GNN ها بر ساختار گراف متکی هستند – یعنی. گره ها و لبه ها – مجموعه ای از اشیاء. GNN این تیم به سرعت توصیه کرد که کدام کهکشان ها را ابتدا رصد کنند و یک گروه ناهمگن را برای ارائه تصویری دقیق از جهان انتخاب کردند.
هوش مصنوعی برای اپراتورهای شبکه برق
توسعه هوش مصنوعی برای عملکرد ماشین‌ها و سیستم‌های پیچیده فراتر از فیزیک ذرات و اخترفیزیک مهم است. دانشمندان همچنین در حال کار بر روی ابزارهای هوش مصنوعی هستند که می توانند به مدیریت شبکه برق کمک کنند.
وان لین هو، دانشمند آزمایشگاه ملی شتاب دهنده SLAC، می گوید: «منابع انرژی بیشتری مانند پنل های خورشیدی و توربین های بادی هر روز به شبکه متصل می شوند. این بدان معناست که اپراتورهای شبکه گزینه های بیشتری برای انتخاب منابع دارند و گاهی اوقات زمان زیادی برای تصمیم گیری ندارند.”
به گفته هو، اپراتورها فاقد ابزارهایی برای مدیریت جریان برق در شبکه هستند. در واقع، آنها اغلب چیزی دارند که ممکن است بیش از حد احساس شود. یک اپراتور شبکه می تواند 10 ابزار را برای انجام کاری که باید در عرض چند دقیقه تکمیل شود باز کند.
هو و تیمش در SLAC در حال کار بر روی پر کردن شکاف ارتباطی بین اپراتورهای انسانی و ابزارهای هوش مصنوعی هستند. آنها می خواهند راه هایی را برای الگوریتم ها و عملگرها بیابند تا از یکدیگر یاد بگیرند و سپس این روش ها را در بسیاری از تنظیمات از جمله شبکه برق اعمال کنند. آنها در تلاش برای جایگزینی اپراتورهای انسانی نیستند. هدف آنها توسعه ابزارهای هوش مصنوعی است که می توانند با ارائه فوری چندین مورد از بهترین گزینه های ابزار به اپراتورها، تصمیم گیری را آسان تر کنند.
هو می‌گوید: «ممکن است فکر کنیم که یک سیستم شبکه کاملاً خودکار واقعاً جالب است، اما در واقع به راه‌حل‌های انسانی در طول مسیر برای عملکرد بهینه نیاز داریم. ما می خواهیم ابزارهای هوش مصنوعی از انسان ها یاد بگیرند و بالعکس.
یک مثال از این زمانی است که یک الگوریتم دو گزینه را به یک اپراتور ارائه می دهد. اپراتور ممکن است تصمیم بگیرد که هیچ یک از گزینه ها صحیح نیست. اگر آنها گزینه سومی را انتخاب کردند، می توانند این بازخورد را به ابزار هوش مصنوعی ارائه دهند تا از تجربه یاد بگیرد، سپس دفعه بعد که موقعیت پیش آمد توصیه های بهتری ارائه کند.
در این نوع شرایط، انسان ها بخشی جدایی ناپذیر از بازیکن هستند و رابطه انسان و هوش مصنوعی در طول زمان شکل می گیرد و نزدیک تر می شود. پس از آن، هو و سایر محققان می‌توانند نه تنها پذیرش یا رد گزینه‌های پیشنهادی هوش مصنوعی، بلکه عوامل دیگری مانند زمان تصمیم‌گیری و توالی اقدامات انسان را برای جمع‌آوری بازخورد جامع برای ابزار هوش مصنوعی تجزیه و تحلیل کنند.
تصادفی بودن در علم
هوش مصنوعی به دانشمندان در اتاق های کنترل کمک می کند تا بر اساس تجربیات گذشته تصمیم بگیرند. اما بخش مهمی از علم به چیزهایی می پردازد که تجربه گذشته انتظار آنها را به شما یاد نداده است. هنگامی که گالیله تلسکوپ خود را به سمت مشتری گرفت، نمی دانست که به چهار “ستاره” که به دور سیاره می چرخند خیره خواهد شد – ستارگانی که به زودی متوجه شد در واقع قمر هستند.
لحظه‌ای شانسی مانند این فرصتی برای بینش ایجاد می‌کند: ادغام غیرمنتظره‌ها در آنچه یک دانشمند از قبل می‌داند می‌تواند مسیر جدیدی را برای پیشرفت علم باز کند.
اما چگونه می توان serendipity را در یک الگوریتم برنامه ریزی کرد؟
نورد می گوید: «من خیلی نگران این هستم. «ابزارهای هوش مصنوعی می‌توانند زباله‌ها را وارد کنند، زباله‌ها را بیرون بیاورند. تمام کاری که این ابزار در ابتدایی ترین مفهوم انجام می دهد این است که یک همبستگی بین یک متغیر ورودی و یک متغیر برچسب گذاری شده پیدا کند. اگر مواظب نباشید کار دیگری انجام نمی دهند.
بنابراین نورد در تلاش است راه‌هایی بیابد تا سیستم هوش مصنوعی را در معرض شهود قرار دهد.
یکی از رویکردهای ممکن، ایجاد تضاد در جستجوی ابزار هوش مصنوعی است. دانشمندان اغلب زمانی پیشرفت می‌کنند که دو اندازه‌گیری از یک چیز انجام می‌دهند و متوجه می‌شوند که اندازه‌گیری‌ها به روش‌های قابل توجهی متفاوت است.
نمونه ای از این درگیری تنش هابل است. کشش هابل تضاد بین دو اندازه گیری مجزا از ثابت هابل است که برای تعیین سن و نرخ انبساط کیهان استفاده می شود. دانشمندان می‌توانند این متغیر را به روش‌های متعددی اندازه‌گیری کنند: از طریق مطالعات ابرنواخترها و مطالعات پس‌زمینه مایکروویو کیهانی، تشعشعاتی که از زمان شروع جهان منتشر شده است.
با گذشت زمان، محققان هر دو اندازه گیری را بهبود بخشیده اند. اما در تمام این مدت نتایج سرسختانه از همگرایی در یک پاسخ منفرد خودداری می کنند. این تا حد زیادی برای ستاره شناسان اهمیت دارد زیرا این سوال را باز می گذارد که آیا جهان سریعتر از حد انتظار منبسط می شود، چیزی که می تواند به وجود ذرات یا نیروهای جدید اشاره کند.
نورد می‌گوید اگر محققان هوش مصنوعی را برای حل تنها یک مشکل علمی خاص آموزش می‌دهند، نسبت به نوع خاصی از علم تعصب دارند. اما اگر محققان بتوانند برنامه‌های هوش مصنوعی را توسعه دهند که برای جستجو در فضاهای جدید که می‌تواند نتایج متناقضی مانند تنش هابل را آشکار کند، پاداش دریافت کند، می‌تواند برای تحقیقات علمی موهبتی باشد.
نورد می گوید: «نتایج متناقض می توانند جواهرات واقعی باشند. این بدان معناست که ما می‌توانیم به چیزی برسیم و نتایجی پیدا کرده‌ایم که ارزش بررسی بیشتر را دارد.»