新框架帮助人工智能学习更高效

“我们正试图教会人工智能模型物理定律，这样它们就能更好地反映现实世界，从而使其在科学和工程领域更有用。”

当教孩子如何解决问题时，你可以让他们通过试错来找出答案，或者用一些基本的规则和技巧来指导他们。同样地，将规则和技巧纳入人工智能训练中——比如物理定律——可以使人工智能更高效、更能反映现实世界。然而，帮助人工智能评估不同规则可能是一项棘手的任务。

研究人员在3月9日出版的细胞出版社（Cell Press）旗下期刊Nexus上报告说，他们已经开发了一个框架，用于评估“知情机器学习模型”中规则和数据的相对价值。研究表明，这可以帮助人工智能融合现实世界的基本规律，更好地解决科学问题，比如复杂的数学问题和优化化学实验条件等。

“将人类经验嵌入人工智能模型可能提高它们的效率和推理能力，但问题是如何平衡数据和经验的影响。”论文第一作者、北京大学的徐浩说，“我们的框架可以用来评估不同的经验和规则，以提高深度学习模型的预测能力。”

像ChatGPT和Sora这样的生成式人工智能模型纯粹是数据驱动的——模型得到训练数据，通过试验和错误来自学。然而，由于只有数据可供使用，这些系统无法学习物理定律，例如重力或流体动力学，并且它们在与训练数据不同的情况下也难以执行任务。另一种方法是知情机器学习，在这种方法中，研究人员为模型提供一些潜在的规则来帮助指导其训练过程，但对规则与数据在驱动模型准确性方面的相对重要性知之甚少。

论文通讯作者、宁波东方理工学院助理教授陈云天表示：“我们正试图教会人工智能模型物理定律，这样它们就能更好地反映现实世界，从而使其在科学和工程领域更有用。”

为了提高人工智能的性能，该团队开发了一个框架来计算单个规则对给定模型预测准确性的贡献。研究人员还研究了不同规则之间的相互作用，因为大多数知情机器学习模型都包含多个规则，而过多的规则可能导致模型崩溃。

这样一来，研究人员可以调整不同规则的相对影响来优化模型，并过滤掉冗余或干扰规则。他们还确定了一些协同工作的规则和完全依赖于其他规则的规则。陈云天说：“我们发现这些规则有不同的关系，利用这些关系可以使模型训练更快，准确性更高。”

研究人员表示，该框架在工程、物理和化学领域具有广泛的实际应用。在论文中，他们展示了该方法的潜力：利用它来优化机器学习模型，解决多元方程，以及预测薄层色谱实验的结果，从而优化未来的实验条件。

接下来，研究人员计划将他们的框架开发成一个插件工具，供人工智能开发人员使用。最终，他们还希望训练该模型，使其能够直接从数据中提取知识和规则，而不是由研究人员选择规则。

“我们想让这个模型成为一个真正的人工智能科学家，从而形成一个闭环。”陈云天说，“我们正在努力开发一种模型，它可以直接从数据中提取知识，然后使用这些知识来创建规则并自我改进。”

了解更多最新研究，请关注Cell Press细胞出版社官方微信“CellPress细胞科学”