Una de las razones por las que la inteligencia artificial es un campo tan interesante es que prácticamente nadie sabe en qué puede resultar bueno. Dos artículos de laboratorios líderes publicados hoy en la revista Nature muestran que el aprendizaje automático se puede aplicar a tareas tan técnicamente exigentes como la generación de proteínas y tan abstractas como las matemáticas puras.
El asunto de las proteínas puede no parecer una gran sorpresa dada la reciente conmoción en torno a la facilidad de la IA en el plegamiento de proteínas, como lo demostraron DeepMind de Google y Baker Lab de la Universidad de Washington, no por casualidad también los que publicaron los artículos que estamos comentando hoy. .
El estudio del Baker Lab muestra que el modelo que crearon para comprender cómo se pliegan las secuencias de proteínas se puede reutilizar para hacer esencialmente lo contrario: crear una nueva secuencia que cumpla con ciertos parámetros y que actúe como se espera cuando se prueba in vitro.
Esto no era necesariamente obvio: es posible que tenga una IA que sea excelente para detectar barcos en imágenes pero que no pueda dibujar uno, por ejemplo, o una IA que traduzca del polaco al inglés, pero no al revés. Entonces, el descubrimiento de que una IA creada para interpretar la estructura de las proteínas también puede crear otras nuevas es importante.
Ya ha habido algún trabajo realizado en esta dirección por varios laboratorios, como progen en SalesForce Research. Pero RoseTTAFold de Baker Lab y AlphaFold de DeepMind están muy por delante en lo que respecta a la precisión en las predicciones proteómicas, por lo que es bueno saber que los sistemas pueden convertir su experiencia en esfuerzos creativos.
abstracciones de IA
Mientras tanto, DeepMind capturó la portada de Nature con un artículo que muestra que la IA puede ayudar a los matemáticos en tareas complejas y abstractas. Los resultados no pondrán patas arriba el mundo de las matemáticas, pero son realmente novedosos y realmente se deben a la ayuda de un modelo de aprendizaje automático, algo que nunca antes había sucedido.
La idea aquí se basa en el hecho de que las matemáticas son en gran parte el estudio de relaciones y patrones: cuando una cosa aumenta, otra disminuye, por ejemplo, o cuando aumentan las caras de un poliedro, también aumenta el número de sus vértices. Debido a que estas cosas suceden según los sistemas, los matemáticos pueden llegar a conjeturas sobre la relación exacta entre esas cosas.
Algunas de estas ideas son simples, como las expresiones trigonométricas que aprendimos en la escuela primaria: es una cualidad fundamental de los triángulos que la suma de sus ángulos internos sume 180 grados, o que la suma de los cuadrados de los lados más cortos sea igual a el cuadrado de la hipotenusa. Pero, ¿qué pasa con un poliedro de 900 lados en un espacio de 8 dimensiones? ¿Podrías encontrar el equivalente de a2 + b2 = c2 para eso?
Un ejemplo de la relación entre dos cualidades complejas de los nudos: su geometría y firma algebraica. Créditos de imagen: Mente profunda
Los matemáticos lo hacen, pero hay límites en la cantidad de trabajo que pueden hacer, simplemente porque uno debe evaluar muchos ejemplos antes de poder estar seguro de que una cualidad observada es universal y no coincidente. Es aquí, como método de ahorro de mano de obra, que DeepMind implementó su modelo de IA.
“Las computadoras siempre han sido buenas arrojando datos a una escala que los humanos no pueden igualar, pero lo que es diferente [here] es la capacidad de la IA para seleccionar patrones en los datos que habrían sido imposibles de detectar a escala humana”, explicó el profesor de matemáticas de Oxford Marcus du Sautoy en el comunicado de prensa de DeepMind.
Ahora, los logros reales realizados con la ayuda de este sistema de IA están muy por encima de mi cabeza, pero los matemáticos entre nuestros lectores seguramente entenderán lo siguiente, citado de DeepMind:
Desafiando el progreso durante casi 40 años, la conjetura de invariancia combinatoria establece que debe existir una relación entre ciertos gráficos dirigidos y polinomios. Usando técnicas de ML, pudimos ganar confianza en que tal relación existe y plantear la hipótesis de que podría estar relacionada con estructuras conocidas como intervalos diédricos rotos y reflexiones extremas. Con este conocimiento, el profesor Williamson pudo conjeturar un sorprendente y hermoso algoritmo que resolvería la conjetura de la invariancia combinatoria.
El álgebra, la geometría y la teoría cuántica comparten perspectivas únicas sobre [knots] y un misterio de larga data es cómo se relacionan estas diferentes ramas: por ejemplo, ¿qué nos dice la geometría del nudo sobre el álgebra? Entrenamos un modelo ML para descubrir ese patrón y, sorprendentemente, esto reveló que una cantidad algebraica particular, la firma, estaba directamente relacionada con la geometría del nudo, que la teoría existente no conocía ni sugería previamente. Mediante el uso de técnicas de atribución del aprendizaje automático, guiamos al profesor Lackenby a descubrir una nueva cantidad, a la que llamamos pendiente natural, que insinúa un aspecto importante de la estructura que se había pasado por alto hasta ahora.
Las conjeturas se confirmaron con millones de ejemplos: otra ventaja de la computación es que puedes decirle que pruebe rigurosamente tu hipótesis sin comprarle pizza y café.
Los investigadores de DeepMind y los profesores mencionados anteriormente trabajaron en estrecha colaboración para crear estas aplicaciones específicas, por lo que no estamos buscando un “ayudante matemático puro universal” ni nada por el estilo. Pero como señala Christian Stump de la Ruhr University Bochum en el resumen del artículo de Nature, que funcione es un paso importante hacia tal idea.
“Ninguno de los resultados está necesariamente fuera del alcance de los investigadores en estas áreas, pero ambos brindan información genuina que los especialistas no habían encontrado anteriormente. Por lo tanto, el avance es más que el esbozo de un marco abstracto”, escribió. “Aún no se ha determinado si este enfoque es ampliamente aplicable o no, pero Davies et al. proporcionar una demostración prometedora de cómo se pueden utilizar las herramientas de aprendizaje automático para apoyar el proceso creativo de la investigación matemática”.
Source link