MITでAIは専門技術からインフラへ
MIT Technology Review の、同研究所の各研究室がこの技術をどのように導入しているかを扱った特集によると、人工知能はMITの研究において実務層の一部になっている。記事は、AIをコンピュータサイエンスに閉じた独立分野としてではなく、機械工学、航空宇宙材料、エネルギーシステム、実験科学にまで組み込まれた道具として描いている。
この変化は、燃焼反応速度論、排出削減、エネルギー材料の火炎合成を研究する機械工学准教授 Sili Deng の仕事に表れている。Deng がAIへ向かうきっかけは、covidパンデミックによる混乱だった。2019年にMITの教員に加わり、研究室の立ち上げを進めていたとき、改修工事が止まってしまった。そこで彼女は待つ代わりに、チームに燃焼研究のどこで機械学習が不足を埋められるかを試すよう求めた。
燃焼システムのためのデジタルツイン
Deng の Energy and Nanotechnology Group は、あるエネルギー・流体装置の性能を再現するデジタルツインをAIで開発した。デジタルツインとは、物理システムの計算上の複製であり、そのシステムが条件変化の下でどう振る舞うかを反映するよう設計されたものだ。この場合、長期的な目標は、燃料燃焼システムをリアルタイムで予測し制御することにある。
この目標が重要なのは、燃焼システムがエネルギー産業と輸送産業の多くの領域でなお中心的存在だからだ。より良い予測と制御が可能になれば、実験だけでは捉えにくい形で、性能、排出、運転安定性を理解する助けになる。元の資料は、このシステムがすでに本番運用で完全なリアルタイム制御に到達したとは述べていない。あくまで、将来的には燃料燃焼システムの動作をリアルタイムで予測・制御できるようになるはずだとしている。
この例は、AIが研究室に急速に広がった理由のひとつを示している。AIは既存の科学知識を置き換えるのではなく、拡張できるのだ。Deng のチームは燃焼の基礎原理という観点から機械学習に取り組み、既存手法のどこに欠落があるのかを探った。この枠組みは、AIを汎用の近道として扱うのとは異なる。専門知識を使って有用な問いを定義し、モデルの出力が理にかなっているかを評価するのである。
AI支援による航空宇宙材料設計
記事ではまた、航空宇宙学准教授 Zachary Cordero の研究も紹介している。彼は、新興の航空宇宙用途向けの新しい材料と構造を開発している。Cordero は、工学設計のための機械学習と最適化を専門とする機械工学准教授 Faez Ahmed とつながった後に、AIを使い始めた。
米国防高等研究計画局が資金提供したプロジェクトで、Cordero は Ahmed や他の共同研究者とともに、blisk の材料組成を最適化するAIツールを開発した。blisk、つまりブレード付きディスクは、ジェット機やロケットのタービンエンジンにおける重要部品だ。この研究はエンジン性能と寿命の向上を目指しており、さらに大型打ち上げ機向けの再使用可能なロケットエンジンの信頼性向上にもつながりうる。
元の資料にある Cordero のコメントは示唆的だ。彼は、直感がほとんど役に立たない問題において、AIシステムが人間の直感を補強したと述べている。高性能航空宇宙システムの材料設計には、組成、構造、耐久性、運転条件など、多くの相互作用する変数が含まれる。AIによる最適化は、人間が手作業で探索するのが難しい複雑な設計空間を探ることができる。
研究実務のより広い変化
MITの事例は、AIの最も直接的な科学的インパクトが、既存分野への統合から生まれる可能性を示している。燃焼研究では、動的システムをモデル化し、最終的には制御を支援できる。航空宇宙材料では、極限条件に耐えねばならない部品の最適化に役立つ。各研究室において、手法を加速し、発見への新しい道を開くことができる。
元の資料ではさらに、教授 Ju Li の言葉も引用している。AIに実験を行い、さまざまなことを試し、失敗し、その過程から学ぶ自律性を与えれば、人間の知能に似たものへ進化しうる、という主張だ。この考えは、現在のモデリングや最適化を超え、自律型研究システムへと向かうものだ。提示された文章は、そのようなシステムがすでにそのレベルの自律性を達成したとは述べておらず、可能性として示しているにすぎない。
実際的な教訓はもっと差し迫っている。MITの研究者たちは、単一の万能AIブレークスルーを待っているわけではない。彼らは、データ、シミュレーション、最適化が仕事の速度を変えうる具体的な科学・工学問題に機械学習を適用している。その結果、AIは研究の実験ツールキットの一部になりつつある。
それは人間の専門知識が不要になるという意味ではない。元の資料の例はむしろ逆を示している。研究者はなおシステムを定義し、物理的制約を理解し、どの成果が重要かを判断している。AIは探索空間とモデリング能力を広げるが、科学的な問いは依然として専門知識に根ざしている。
この記事は MIT Technology Review の報道に基づいています。元記事を読む。
Originally published on technologyreview.com