論文の概要: Accelerating science with human versus alien artificial intelligences
- arxiv url: http://arxiv.org/abs/2104.05188v1
- Date: Mon, 12 Apr 2021 03:50:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-14 04:24:29.620939
- Title: Accelerating science with human versus alien artificial intelligences
- Title（参考訳）: 人間とエイリアンの人工知能による科学の加速
- Authors: Jamshid Sourati, James Evans
- Abstract要約: 人間の専門知識の分布を自己監督モデルに組み込むことで、将来の人間の発見や発明のAI予測が劇的に向上することを示す。
これらのモデルは、人間の予測とそれを作る科学者を予測することで成功する。
しかし、群衆を避けるためにAIを調整することによって、介入なしに想像または追求される可能性が低い科学的に有望な「エイリアン」仮説を生成します。
- 参考スコア（独自算出の注目度）: 3.6354412526174196
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven artificial intelligence models fed with published scientific
findings have been used to create powerful prediction engines for scientific
and technological advance, such as the discovery of novel materials with
desired properties and the targeted invention of new therapies and vaccines.
These AI approaches typically ignore the distribution of human prediction
engines -- scientists and inventor -- who continuously alter the landscape of
discovery and invention. As a result, AI hypotheses are designed to substitute
for human experts, failing to complement them for punctuated collective
advance. Here we show that incorporating the distribution of human expertise
into self-supervised models by training on inferences cognitively available to
experts dramatically improves AI prediction of future human discoveries and
inventions. Including expert-awareness into models that propose (a) valuable
energy-relevant materials increases the precision of materials predictions by
~100%, (b) repurposing thousands of drugs to treat new diseases increases
precision by 43%, and (c) COVID-19 vaccine candidates examined in clinical
trials by 260%. These models succeed by predicting human predictions and the
scientists who will make them. By tuning AI to avoid the crowd, however, it
generates scientifically promising "alien" hypotheses unlikely to be imagined
or pursued without intervention, not only accelerating but punctuating
scientific advance. By identifying and correcting for collective human bias,
these models also suggest opportunities to improve human prediction by
reformulating science education for discovery.
- Abstract（参考訳）: データ駆動型人工知能モデルは、望ましい性質を持つ新しい材料の発見や、新しい治療法やワクチンのターゲットとなる発明など、科学的および技術的進歩のための強力な予測エンジンを作成するために使われてきた。
これらのAIアプローチは典型的に、発見と発明の風景を継続的に変える人間の予測エンジン(科学者と発明家)の分布を無視している。
結果として、AI仮説は人間の専門家の代わりに設計され、句読化された集団の進歩のためにそれらを補完することができない。
ここでは、専門家に認知的に利用可能な推論をトレーニングすることで、人間の専門知識の分布を自己監督モデルに組み込むことで、将来の人間の発見や発明のAI予測を劇的に改善することを示す。
a)価値あるエネルギー関連材料を提唱するモデルへの専門家の認識を含めると、材料予測の精度は100%程度、(b)新しい疾患の治療のために何千もの薬を再導入することの精度は43%、(c)臨床試験で検査された新型コロナウイルスワクチン候補は260%向上する。
これらのモデルは、人間の予測とそれを作る科学者を予測することで成功する。
しかし、群衆を避けるためにaiをチューニングすることで、科学的に有望な「アリエン」仮説を生み出し、科学的な進歩を加速するだけでなく、介入なしには想像も追跡もできない。
集団的人間の偏見を同定し修正することにより、これらのモデルは発見のための科学教育を改革することで、人間の予測を改善する機会も提案する。
関連論文リスト
- Large language models surpass human experts in predicting neuroscience results [60.26891446026707]
大きな言語モデル(LLM)は、人間の専門家よりも新しい結果を予測する。
BrainBenchは神経科学の結果を予測するためのベンチマークだ。
我々のアプローチは神経科学に特有ではなく、他の知識集約的な取り組みに伝達可能である。
論文 参考訳（メタデータ） (2024-03-04T15:27:59Z) - The Generative AI Paradox: "What It Can Create, It May Not Understand" [81.89252713236746]
生成AIの最近の波は、潜在的に超人的な人工知能レベルに対する興奮と懸念を引き起こしている。
同時に、モデルは、専門家でない人でも期待できないような理解の基本的な誤りを示している。
一見超人的な能力と、ごく少数の人間が起こすエラーの持続性を、どうやって再現すればよいのか?
論文 参考訳（メタデータ） (2023-10-31T18:07:07Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - Accelerating science with human-aware artificial intelligence [2.7786142348700658]
教師なしモデルのトレーニングにより、人間の専門知識の分布を取り入れることで、将来の発見のAI予測が劇的に向上する(最大400%)。
これらのモデルは、人間の予測とそれを作る科学者を予測することで成功します。
人間の発見を加速する、あるいはその盲点を探索するAIは、現代科学の最前線を行き来することを可能にする。
論文 参考訳（メタデータ） (2023-06-02T12:43:23Z) - BO-Muse: A human expert and AI teaming framework for accelerated
experimental design [58.61002520273518]
我々のアルゴリズムは、人間の専門家が実験プロセスでリードすることを可能にする。
我々のアルゴリズムは、AIや人間よりも高速に、サブ線形に収束することを示す。
論文 参考訳（メタデータ） (2023-03-03T02:56:05Z) - Self-mediated exploration in artificial intelligence inspired by
cognitive psychology [1.3351610617039975]
物理環境の探索は、データ取得に必須の先駆者であり、分析的または直接的な試行を通じて知識生成を可能にする。
この研究は、人間の行動と人工エージェントを結び付け、自己開発を支援する。
その後の研究では、人工エージェントが収束に向けて繰り返し実施される以前のヒトの治験を反映するように設計されている。
その結果、ほとんどのエージェントが学んだ因果関係が、内部の状態と、人間に報告されたものと一致するための探索の間にあることが示された。
論文 参考訳（メタデータ） (2023-02-13T18:20:44Z) - Complementary artificial intelligence designed to augment human
discovery [2.7786142348700658]
我々は、認知能力と競合するのではなく、補完することで人間の理解を根本的に増強するために、有益なAIを再認識し、パイロットする。
我々は、この手法を用いて、物質が貴重なエネルギー関連特性を持っているかどうかの貴重な予測を生成する。
我々の予測は、人類の科学者や発明家によって特定されたとしても、今後数年ほどしか発見されていないことを実証しています。
論文 参考訳（メタデータ） (2022-07-02T19:36:34Z) - Learning from learning machines: a new generation of AI technology to
meet the needs of science [59.261050918992325]
科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。
産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
論文 参考訳（メタデータ） (2021-11-27T00:55:21Z) - Enhancing Human-Machine Teaming for Medical Prognosis Through Neural
Ordinary Differential Equations (NODEs) [0.0]
医学的診断における機械学習の可能性を完全に実現するための重要な障壁は、テクノロジーの受容である。
説明可能なAI(XAI)を作成するための最近の取り組みは、いくつかのMLモデルの解釈可能性を改善するために進歩している。
本稿では,人間の理解を高め,受容性を促進する新しいMLアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-02-08T10:52:23Z) - Harnessing Explanations to Bridge AI and Humans [14.354362614416285]
機械学習モデルは、リシビズム予測や医療診断といった社会的に重要な応用にますます統合されている。
本稿では,説明の有効性と人的パフォーマンス向上のギャップを埋めるための今後の方向性を提案する。
論文 参考訳（メタデータ） (2020-03-16T18:00:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。