الذكاء الاصطناعي لاكتشاف المحفزات يواجه مشكلة في جودة البيانات
غالبًا ما يُقدَّم الذكاء الاصطناعي بوصفه وسيلة لتسريع البحث عن محفزات أفضل، ولا سيما للتفاعلات المرتبطة بالمناخ وإزالة الكربون من الصناعة. لكن دراسة جديدة متعددة المختبرات تشير إلى أن عنق الزجاجة قد لا يكون في تصميم النموذج بقدر ما هو في اتساق التجارب التي تغذّي تلك النماذج.
وفي تغطيتها للعمل المنشور في Nature Catalysis، وصفت Phys.org تعاونًا بين أربعة مختبرات في الولايات المتحدة اختبرت محفزًا منتجًا لأول أكسيد الكربون يُستخدم في تحويل ثاني أكسيد الكربون نحو الوقود. وكانت النتيجة الأساسية واضحة: يمكن للاختلافات في البروتوكول والمعدات أن تولد قدرًا كافيًا من التباين يضعف موثوقية تنبؤات الذكاء الاصطناعي وتعلم الآلة المبنية على البيانات الناتجة.
وتكتسب هذه النتيجة أهمية لأن أبحاث المحفزات تُطرح بشكل متزايد بوصفها حالة استخدام مثالية للذكاء الاصطناعي. من حيث المبدأ، يمكن للنموذج أن يستوعب متغيرات مثل درجة الحرارة وزمن التفاعل وتركيبة المحفز، ثم يتنبأ بأي المجموعات تبدو أكثر وعدًا. ويمكن للباحثين استخدام تلك التنبؤات لتركيز التجارب وخفض التكاليف والوصول إلى كيمياء قابلة للتطبيق بسرعة أكبر. لكن هذا الوعد يعتمد على فكرة أن البيانات الأساسية تعكس واقعًا مستقرًا، لا خليطًا من ظروف قياس غير متوافقة.
وتشير دراسة المختبرات الأربعة إلى أن هذا الافتراض هش. فالتناقض التجريبي ليس مجرد إزعاج يمكن تسويته بالأخذ بالمتوسط. بل يمكنه أن يشكل مباشرة ما “يتعلمه” نظام الذكاء الاصطناعي، فينتج ثقة بأنماط قد تكون مجرد آثار للأجهزة أو للممارسة المحلية، لا للفيزياء الكيميائية نفسها.
لماذا تصبح القابلية لإعادة الإنتاج أكثر أهمية عندما يدخل الذكاء الاصطناعي إلى سير العمل
لطالما اهتم العلم التجريبي التقليدي بالقابلية لإعادة الإنتاج، لكن الذكاء الاصطناعي يغيّر حجم المشكلة. فقد يسبب مجموعة بيانات واحدة مضللة انحيازًا للنموذج. أما مجموعة كبيرة من البيانات غير المتسقة فقد تُشفِّر تلك التناقضات على نطاق واسع، فتبدو التنبؤات صارمة بينما تبتعد عن السلوك الفيزيائي الذي يحاول الباحثون فهمه بالفعل.
وتركزت الدراسة على محفز ينتج أول أكسيد الكربون من ثاني أكسيد الكربون، ووُصف بأنه خطوة أولى أساسية في تحويل CO2 إلى وقود مفيد. وتُعد هذه الفئة من الكيمياء ذات أهمية استراتيجية لأنها تقع ضمن جهود أوسع لابتكار عمليات صناعية ومسارات طاقة أقل كربونًا. وإذا كانت أدوات الذكاء الاصطناعي ستساعد في ترتيب المحفزات بحسب المتانة والأداء، فهي بحاجة إلى بيانات تدريب يمكنها الصمود أمام المقارنة عبر المختبرات والأطر الزمنية وإعدادات التشغيل المختلفة.
وهذا أصعب مما يبدو. وتشير تغطية Phys.org إلى أن معظم دراسات التحفيز في المختبرات تفحص فترات قصيرة تُقاس بالأيام، بينما قد يتطور تعطّل المحفز على مدى أشهر أو سنوات مع تراكم الشوائب وتعرض المواد مرارًا لدرجات حرارة مرتفعة. وتجذب نماذج الذكاء الاصطناعي الانتباه جزئيًا لأنها قد تستكشف ظروفًا يصعب إعادة إنتاجها يدويًا. لكن إذا كانت البيانات قصيرة الأمد المستخدمة في التدريب غير متسقة من مختبر لآخر، فإن الاستقراء إلى السلوك طويل الأمد يصبح أكثر خطورة.
ويطرح مؤلفو الورقة هذا بوصفه تحذيرًا بشأن المعلومات التي يقدّمها العلماء إلى أنظمة تعلم الآلة. ويأتي هذا التحذير في لحظة قد يتجاوز فيها الحماس للذكاء الاصطناعي في الأبحاث الانضباط اللازم لإنتاج البيانات. ففي كثير من المجالات، تمتلك المختبرات عقودًا من الأساليب القديمة والأجهزة المخصصة والعادات التشغيلية المحلية. وقد تكون هذه الاختلافات قابلة للإدارة في أوراق منفردة، لكنها تصبح عقبات جدية عندما تُجمع البيانات في محرك تنبؤي.
التوحيد القياسي بوصفه تقنية تمكينية
من أهم نتائج الدراسة أن التوحيد القياسي لا ينبغي النظر إليه بوصفه عبئًا بيروقراطيًا. إنه تقنية تمكينية للذكاء الاصطناعي العلمي.
وبحسب التقرير، أظهرت الجهود التي شملت أربعة مختبرات كيف يتحكم توحيد البروتوكول والمعدات في تباين النتائج. وهذا يعيد صياغة المشكلة. فالمسألة ليست مجرد أن بعض مجموعات البيانات أكثر ضجيجًا من غيرها، بل إن الإجراءات المستخدمة لإنتاج البيانات قد تحدد ما إذا كان نموذج الذكاء الاصطناعي يتعلم الكيمياء أم يتعلم خصائص خاصة بالمختبر.
وبالنسبة إلى المؤسسات البحثية، فإن لذلك عواقب تشغيلية. فبناء ذكاء اصطناعي مفيد لعلوم المواد قد يتطلب الاستثمار في تصميم تجريبي موحّد ومعايير مشتركة وانضباط في البيانات الوصفية والتحقق عبر المواقع قبل بدء جهود النمذجة واسعة النطاق. وبعبارة أخرى، قد يبدأ الطريق إلى ذكاء اصطناعي أفضل بتحكم أفضل في العمليات المعملية لا بعناقيد حوسبة أكبر.
وهذا مهم بشكل خاص لبرامج البحث المشتركة بين القطاعين العام والخاص التي تأمل في تجميع البيانات من مؤسسات متعددة. فجمع المعلومات يزيد حجم العينة، لكن فقط إذا كانت السجلات المجمعة قابلة للمقارنة فعلًا. ومن دون ذلك، قد تصبح البيانات الإضافية عبئًا، إذ تمنح النماذج مظهرًا من الاتساع بينما تخفي الخلافات المنهجية بين الجهات المساهمة.
صورة أكثر واقعية للذكاء الاصطناعي العلمي
لا تجادل الدراسة ضد الذكاء الاصطناعي في اكتشاف المحفزات. بل على العكس، فهي توضح الظروف التي يمكن عندها للذكاء الاصطناعي أن يصبح مفيدًا حقًا. فمع بيانات جيدة، يمكن للنماذج أن تضيق نطاق البحث التجريبي، وتخفض الوقت والتكلفة، وتستكشف أنظمة يصعب بلوغها في المختبر. وتظل هذه المزايا مقنعة. وما تضيفه المقارنة بين أربعة مختبرات هو تذكير بأن جودة النموذج لا تنفصل عن مصدر البيانات وممارسة القياس.
وتتجاوز هذه الرسالة مجال التحفيز. فالكثير من المجالات العلمية تريد الآن الجمع بين التجريب الآلي وتعلم الآلة ومجموعات البيانات المشتركة. وينطبق الخطر نفسه أينما كانت القياسات تعتمد على أجهزة محلية أو إجراءات معايرة أو اختيارات إجرائية ضمنية. وإذا لم تُكشف هذه الاختلافات وتُضبط، فقد تضخم أنظمة الذكاء الاصطناعي التناقضات الخفية بدلًا من حلها.
ومن الناحية العملية، قد يدفع هذا العمل الجديد وكالات التمويل والمختبرات الوطنية واتحادات الجامعات إلى إيلاء مزيد من الاهتمام لبنية تحتية تدعم القابلية لإعادة الإنتاج. فالطبقة اللامعة في الذكاء الاصطناعي العلمي هي غالبًا النموذج، أما الطبقة الدائمة فهي نظام القياس الذي يجعل النمذجة الموثوقة ممكنة.
ما التالي
الدرس المباشر من الدراسة ليس التراجع عن الذكاء الاصطناعي، بل تشديد الحلقة بين التجريب والنمذجة. ويمكن للمعايير المشتركة بين المختبرات، وظروف الاختبار المتفق عليها، والبيانات الوصفية الصريحة عن المعدات والإجراءات أن تجعل بيانات المحفزات أكثر موثوقية. وكذلك يمكن لآليات التحقق التي تختبر عمدًا ما إذا كان النموذج المدرَّب في بيئة واحدة سيظل يعمل عندما يواجه بيانات مولدة في مكان آخر.
وبالنسبة إلى أبحاث تحويل ثاني أكسيد الكربون، قد تكون لهذه التحسينات قيمة كبيرة بشكل غير متناسب. فالمجال يبحث عن محفزات لا تكون نشطة في تجربة قصيرة فحسب، بل مستقرة وقابلة للتوسع وعملية عبر فترات تشغيل طويلة. وقد يساعد الذكاء الاصطناعي على تحديد تلك المرشحين بسرعة أكبر. وتشير الدراسة الجديدة إلى أنه لن يفعل ذلك إلا إذا تعامل العلماء مع القابلية لإعادة الإنتاج بوصفها جزءًا من النموذج نفسه.
وهذه هي الإشارة الصناعية الأعمق هنا. ففي الذكاء الاصطناعي البحثي، لا تبدأ التنبؤات الأفضل عندما يعمل الخوارزم، بل عندما يُصمَّم أول اختبار بحيث يمكن لمختبر آخر، وأداة أخرى، وفي النهاية نموذج آخر، أن يثق بما تعنيه النتيجة.
هذه المقالة مبنية على تغطية Phys.org. اقرأ المقال الأصلي.
Originally published on phys.org
