電動汽車有潛力大幅減少碳排放，但汽車公司正面臨製造電池的材料短缺。鎳是一種關鍵元件，預計最早將於今年年底導致供應短缺。科學家最近發現了四種可能有所幫助的新材料——更令人感興趣的可能是他們如何找到這些材料：研究人員依靠人工智慧從 300 多種選項列表中挑選出有用的化學物質。而且他們不是唯一轉向人工智慧尋求科學靈感的人類。
提出假設長期以來一直是純粹的人類領域。然而，現在科學家們開始要求機器學習產生原創見解。他們正在設計神經網路（一種機器學習設定，其結構靈感來自人腦），這些網路基於網路在資料中發現的模式而不是依賴人類假設來提出新的假設。許多領域可能很快就會轉向機器學習的繆斯，試圖加快科學程序並減少人類偏見。
在新型電池材料的案例中，從事此類任務的科學家通常依賴資料庫搜尋工具、建模以及他們自己對化學物質的直覺來挑選出有用的化合物。相反，英國利物浦大學的一個團隊使用機器學習來簡化創意過程。研究人員開發了一個神經網路，該網路根據化學組合產生有用新材料的可能性對其進行排名。然後，科學家們使用這些排名來指導他們在實驗室進行的實驗。他們確定了四種有希望的電池材料候選材料，而無需測試列表中的所有材料，從而節省了他們數月的試驗和錯誤。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
“這是一個很棒的工具，”利物浦大學的研究助理、上個月在《自然·通訊》雜誌上發表的關於尋找電池材料的研究報告的合著者安德里·瓦西連科說。人工智慧過程有助於識別值得關注的化學組合，他補充說，因此“我們可以更快地覆蓋更多的化學空間。”
新材料的發現並不是機器學習可以為科學做出貢獻的唯一領域。研究人員還在將神經網路應用於更大的技術和理論問題。蘇黎世理論物理研究所的物理學家雷納託·倫納希望有一天能使用機器學習來開發關於宇宙如何運作的統一理論。但在人工智慧能夠揭示現實的真正本質之前，研究人員必須解決神經網路如何做出決策這一眾所周知的難題。
深入瞭解機器學習的思想
在過去的 10 年裡，機器學習已成為一種非常流行的工具，用於對大資料進行分類和進行預測。然而，解釋其決策的邏輯基礎可能非常困難。神經網路是由相互連線的節點構建的，這些節點模仿大腦的神經元，其結構隨著資訊的流動而變化。雖然這種自適應模型能夠解決複雜的問題，但人類通常也無法解碼其中涉及的邏輯。
這種缺乏透明度已被戲稱為“黑匣子問題”，因為沒有人能看到網路內部來解釋其“思考”過程。這種不透明性不僅會削弱對結果的信任，還會限制神經網路對人類科學理解世界的貢獻程度。
一些科學家正試圖透過開發“可解釋性技術”來使黑匣子透明化，這些技術試圖為網路如何得出答案提供逐步解釋。可能無法從複雜的機器學習模型中獲得高水平的細節。但研究人員通常可以識別網路處理資料方式中的較大趨勢，有時會導致令人驚訝的發現——例如誰最有可能患上癌症。
幾年前，凱斯西儲大學生物醫學工程教授阿南特·馬達布希使用了可解釋性技術來了解為什麼有些患者比其他患者更容易復發乳腺癌或前列腺癌。他將患者掃描結果輸入神經網路，網路識別出那些癌症復發風險較高的人。然後，馬達布希分析了網路，以找到確定患者再次患癌症機率的最重要特徵。結果表明，腺體內部結構的緊密程度是最準確預測癌症復發可能性的因素。
“這不是一個先入為主的假設。我們不知道這一點，”馬達布希說。“我們使用了一種方法來發現疾病的一個屬性，結果證明這個屬性很重要。”只有在人工智慧得出結論後，他的團隊才發現該結果也符合當前關於病理學的科學文獻。神經網路尚無法解釋為什麼腺體結構的密度會導致癌症，但它仍然幫助馬達布希和他的同事更好地瞭解腫瘤的生長進展，從而為未來的研究指明瞭新的方向。
當人工智慧遇到瓶頸時
儘管窺探黑匣子可以幫助人類構建新的科學假設，但“我們還有很長的路要走，”愛荷華州立大學機械工程副教授蘇米克·薩卡爾說。可解釋性技術可以暗示機器學習過程中出現的關聯，但它們無法證明因果關係或提供解釋。它們仍然依賴主題專家從網路中得出意義。
機器學習也經常使用透過人類過程收集的資料——這可能導致它重現人類偏見。一個名為“懲教罪犯管理替代制裁分析”（COMPAS）的神經網路甚至被指責為種族主義。該網路已被用於預測被監禁人員的再犯罪可能性。ProPublica 的一項調查據稱發現，該系統錯誤地將黑人標記為獲釋後幾乎是白人兩倍的可能性會再次觸犯法律，這種情況發生在佛羅里達州的一個縣。Equivant（前身為 Northpoint），建立 COMPAS 的刑事司法軟體公司，反駁了 ProPublica 的分析，並聲稱其風險評估程式已被錯誤描述。
儘管存在這些問題，但蘇黎世的物理學家倫納仍然希望機器學習可以幫助人們從較少偏見的角度追求知識。神經網路可以啟發人們以新的方式思考舊問題，他說。雖然網路還不能完全獨立地提出假設，但它們可以給出提示，引導科學家們以不同的視角看待問題。
倫納甚至嘗試設計一個神經網路，它可以檢查宇宙的真實本質。一個多世紀以來，物理學家一直無法調和宇宙的兩種理論——量子理論和愛因斯坦的廣義相對論。但倫納希望機器學習能給他帶來他需要的新視角，以彌合科學界對物質在非常小和非常大的尺度上如何運作的理解。
“如果我們以非常規的方式看待事物，我們才能在物理學上邁出巨大的步伐，”他說。目前，他正在用歷史理論構建網路，讓它體驗人類如何思考宇宙的結構。在未來幾年，他計劃要求它對這個終極問題提出自己的答案。