Современные модели искусственного интеллекта, например ChatGPT, обучаются исключительно на данных, что ограничивает их способность к пониманию правил физического мира, что снижает их способность решать сложные задачи. Недавнее исследование, опубликованное в журнале Nexus, предлагает концепцию «информированного машинного обучения», которая направлена на преодоление этого ограничения.
Эта система включает в процесс обучения искусственного интеллекта правила, определенные человеком, например, законы физики. Однако вопрос заключается в том, какую важность следует присваивать этим правилам по сравнению с самими данными. В данном случае система проявляет себя в полной мере. Она способна оценить относительную значимость каждого правила, оптимизируя процесс обучения модели и, в конечном счете, ее производительность.
Исследователи успешно применили эту систему для решения разнообразных научных задач. Они использовали ее для обучения моделей искусственного интеллекта решению сложных математических задач, оптимизации химических экспериментов, а также для анализа данных, полученных в результате экспериментов по тонкослойной хроматографии с целью прогнозирования будущих условий эксперимента.
В будущем исследователи намерены создать универсальный инструмент для разработчиков искусственного интеллекта и в конечном итоге достичь создания действительно самообучающегося искусственного интеллекта.