DeepMind n’est pas d’accord avec les scientifiques russes sur la recherche en IA quantique

Il n’y a rien de plus excitant et inspirant qu’une percée scientifique. Mais que se passe-t-il lorsque différents groupes de scientifiques ne semblent pas d’accord sur la science ?

DeepMind, une société de recherche Alphabet basée à Londres, a publié l’année dernière un article brillant dans lequel elle affirmait avoir résolu le défi colossal de « simuler la matière à l’échelle quantique à l’aide de l’intelligence artificielle ». Maintenant, près de huit mois plus tard, un groupe de chercheurs universitaires de Russie et de Corée du Sud a peut-être découvert un problème avec la recherche originale qui remet en question la conclusion complète de l’article.

Les implications de cette recherche de pointe pourraient être énormes, si les conclusions de l’article sont correctes. Fondamentalement, nous parlons de convivialité L’intelligence artificielle Découvrir de nouvelles façons de manipuler les éléments constitutifs de la matière.

Un nouvel espoir

Salutations les gens

Abonnez-vous à notre newsletter maintenant pour recevoir un résumé hebdomadaire de nos histoires préférées sur l’IA directement dans votre boîte de réception.

La grande idée ici inclut la capacité de simuler des interactions quantiques. Notre monde est fait de matière composée de molécules composées d’atomes. A chaque niveau d’abstraction, la simulation devient de plus en plus difficile.

Au moment où vous atteignez le niveau quantique, qui est à l’intérieur des atomes, le problème de la simulation des interactions possibles devient très difficile.

pour chaque Article de blog De DeepMind :

Pour ce faire sur un ordinateur, il faudrait simuler des électrons, les particules subatomiques qui contrôlent la façon dont les atomes se rejoignent pour former des molécules et sont également responsables du flux d’électricité dans les solides.

Malgré des décennies d’efforts et de nombreux développements importants, la modélisation précise du comportement mécanique quantique des électrons reste un défi ouvert.

Le principal problème est qu’il est vraiment difficile de prédire les probabilités qu’un électron particulier atteigne une position particulière. La complexité augmente à mesure que vous en ajoutez.

Comme DeepMind l’a souligné dans le même article de blog, deux physiciens des années 1960 ont proposé un hack :

Pierre Hohenberg et Walter Kohn ont réalisé qu’il n’était pas nécessaire de suivre chaque électron individuellement. Au lieu de cela, connaître la probabilité d’avoir un électron à chaque position (c’est-à-dire la densité d’électrons) est suffisant pour tenir compte exactement de toutes les interactions. Kuhn a reçu le prix Nobel de chimie après l’avoir prouvé, établissant ainsi la théorie de la fonctionnelle de la densité (DFT).

Malheureusement, DFT ne peut que simplifier le processus jusqu’à présent. La partie « fonctionnelle » de la théorie reposait sur les humains pour faire tout le gros du travail.

Tout a changé en décembre lorsque j’ai posté DeepMind papier Intitulé « Repousser les frontières des fonctions de densité en résolvant le problème de l’électron fractionnaire ».

Dans cet article, l’équipe DeepMind affirme avoir radicalement amélioré les méthodes existantes de modélisation du comportement quantique en développant un réseau de neurones :

En exprimant la fonction sous la forme d’un réseau de neurones et en incorporant ces propriétés subtiles dans les données d’apprentissage, nous apprenons des fonctions exemptes d’erreurs systématiques importantes, ce qui conduit à une meilleure description d’une large classe de réactions chimiques.

Les universitaires répondent

Le document DeepMind a passé le processus d’examen initial officiel et tout allait bien. Jusqu’en août 2022, il a été publié et publié par une équipe de huit universitaires de Russie et de Corée du Sud Suspension remettre en cause sa conclusion.

pour chaque communiqué de presse De l’Institut des sciences et technologies de Skolkovo :

La capacité de DeepMind AI à généraliser le comportement de tels systèmes ne découle pas des résultats publiés et doit être reconsidérée.

En d’autres termes : les universitaires débattent de la manière dont l’IA de DeepMind est parvenue à ses conclusions.

Selon les chercheurs commentateurs, le processus de formation utilisé par DeepMind pour construire son réseau de neurones lui a appris à mémoriser des réponses à des problèmes spécifiques qu’il aurait rencontrés lors d’une mesure – le processus par lequel les scientifiques déterminent si une approche est meilleure qu’une autre.

Dans leur commentaire, les chercheurs ont écrit :

Bien que la conclusion de Kirkpatrick et al. Le rôle des systèmes FC/FS dans l’ensemble d’entraînement peut être vrai, ce n’est pas la seule explication possible de leurs observations.

À notre avis, les améliorations des performances du DM21 sur l’ensemble de données de test BBB par rapport au DM21m peuvent être dues à une raison plus réaliste : un chevauchement involontaire entre les ensembles de données d’apprentissage et de test.

Si c’est vrai, cela signifie que DeepMind n’a pas réellement appris à un réseau de neurones à prédire la mécanique quantique.

Le retour de l’intelligence artificielle

DeepMind a été très réactif. La société a publié sa réponse le même jour que le commentaire et a prononcé une réprimande immédiate et ferme :

Nous ne sommes pas d’accord avec leur analyse et pensons que les points soulevés sont soit incorrects, soit sans rapport avec les principales conclusions de l’article et l’évaluation globale de la qualité du DM21.

L’équipe développe cela dans sa réponse:

DM21 n’enregistre pas les données ; Ceci est illustré simplement par le fait que le DM21 Exc varie sur toute la gamme des distances mentionnées dans la BHE et n’est pas égal à la limite de séparation infinie, illustrée à la Figure 1, A et B, pour H2+ et H2. Par exemple, à 6 Å, DM21 Exc est d’environ 13 kcal/mol de limite infinitésimale dans H2+ et H2 (quoique dans des directions opposées).

Et bien qu’il soit hors de la portée de cet article d’expliquer les termes ci-dessus, nous pouvons supposer en toute sécurité que DeepMind était probablement préparé à cette objection spécifique.

Quant à savoir si cela résout le problème, cela reste à voir. À ce stade, nous n’avons pas encore vu de réfutation supplémentaire de la part de l’équipe universitaire quant à savoir si leurs préoccupations ont été apaisées.

En attendant, il est possible que les implications de cette discussion dépassent le simple fait d’affecter un seul document de recherche.

Alors que les domaines de l’intelligence artificielle et de la science quantique deviennent de plus en plus étroitement liés, ils sont également de plus en plus sous le contrôle de groupes de recherche d’entreprise aux poches profondes.

Que se passe-t-il lorsqu’il y a une impasse scientifique – les parties adverses sont incapables de s’entendre sur l’efficacité d’une approche technologique particulière via la méthode scientifique – et que les intérêts des entreprises entrent en jeu ?

quoi maintenant?

Le nœud du problème pourrait résider dans l’incapacité d’expliquer comment les modèles d’IA « multiplient les nombres » pour parvenir à leurs conclusions.

Ces systèmes peuvent passer par des millions de permutations avant d’obtenir une réponse. Il serait impossible d’expliquer chaque étape du processus, c’est exactement pourquoi nous avons besoin de raccourcis algorithmiques et d’intelligence artificielle pour forcer des problèmes à grande échelle qui seraient trop importants pour être résolus directement par un humain ou un ordinateur.

En fin de compte, à mesure que les systèmes d’IA continuent de se développer, nous pouvons atteindre un point où nous n’avons plus les outils pour comprendre leur fonctionnement. Lorsque cela se produit, nous pouvons constater une divergence entre la technologie de l’entreprise et celles qui font l’objet d’un examen externe par les pairs.

Cela ne veut pas dire que l’article DeepMind en est un exemple. Comme l’a écrit l’équipe de commentaires universitaires dans son communiqué de presse :

L’utilisation de systèmes microélectroniques dans l’ensemble d’entraînement n’est pas la seule nouveauté dans les travaux de DeepMind. Leur idée d’introduire des contraintes physiques dans le réseau de neurones via l’ensemble d’entraînement, ainsi que l’approche visant à renforcer le sens physique par l’entraînement sur le bon potentiel chimique, seront probablement largement utilisées dans la construction des fonctions DFT du réseau de neurones dans le avenir.

Mais nous testons un nouveau paradigme technologique audacieux alimenté par l’intelligence artificielle. Il est peut-être temps de commencer à réfléchir à ce à quoi ressemblera l’avenir dans un monde post-évalué par les pairs.